利用基于知识蒸馏的深度学习技术对胸部X光片中的低骨量进行机会性筛查，并通过外部验证进行验证

低骨量（LBM）早期筛查模型OsPenScreen通过常规胸部X光（CXR）实现，采用卷积神经网络与知识蒸馏技术训练，在四个外部数据集验证中AUC达0.95，能有效区分低骨量患者及关注负重骨骼，降低骨质疏松进展风险及医疗成本。

　　

摘要

概述

低骨量（LBM）可能导致骨质疏松症，但往往未被及时发现，从而增加骨折的风险。本研究介绍了一种名为OsPenScreen的深度学习模型，该模型可以利用标准胸部X光片（CXR）早期识别低骨量。通过更早地检测出低骨量，这一工具有助于防止疾病进展为骨质疏松症，从而可能减少健康并发症和治疗费用。OsPenScreen已在四个外部数据集上进行了验证，并且表现始终良好，证明了其作为可靠的、具有成本效益的胸部X光片早期筛查解决方案的潜力。

目的

低骨量是骨质疏松症常见的未被诊断的前兆，会显著增加骨折风险，并对公共卫生构成重大挑战。本研究旨在开发并验证一种深度学习模型OsPenScreen，以便利用常规胸部X光片（CXR）机会性地检测低骨量。

方法

OsPenScreen是一种基于卷积神经网络的模型，利用知识蒸馏技术，在77,812对胸部X光片和双能X射线吸收测定（DXA）数据集上进行了训练。验证工作在来自不同机构的四个独立数据集（共5,935张图像）上进行。模型的性能通过曲线下面积（AUC）、准确性、敏感性和特异性来评估。采用Grad-CAM可视化技术分析了模型的决策过程。骨质疏松症病例通过另一个模型预先排除；OsPenScreen仅应用于非骨质疏松症病例。

结果

我们的模型在外部测试数据集上的AUC值为0.95（95%置信区间：0.94–0.97），且在不同性别和年龄亚组中的表现一致。该模型在检测骨量显著减少的病例方面表现出较高的准确性，并且在正常情况下更关注承重骨骼，而在低骨量病例中则更关注非承重骨骼。

结论

OsPenScreen是一种可扩展且有效的低骨量筛查工具，可以利用常规胸部X光片进行筛查，而不会增加额外的医疗负担。其在多种数据集上的稳健表现凸显了其提升早期检测能力的潜力，有助于防止疾病进展为骨质疏松症并降低相关医疗成本。