多模态放射组学与深度学习的整合：利用牙科X光片评估绝经后妇女的骨骼健康——开发一种可解释的判别图

《International Journal of Imaging Systems and Technology》：Multimodal Radiomics and Deep Learning Integration for Bone Health Assessment in Postmenopausal Women via Dental Radiographs: Development of an Interpretable Nomogram

多模态机器学习模型用于更年期女性骨质疏松筛查，通过融合牙根周放射图像的放射学特征和深度学习特征，结合DEXA-T分数及临床数据，经降维和分类器训练，逻辑回归模型在外部验证中AUC达91.3%，决策曲线分析显示临床净获益。牙根周放射图像可作为非侵入性筛查工具。

　　

摘要

本研究旨在开发并验证一种多模态机器学习模型，利用牙科根尖X光片对绝经后妇女进行机会性骨质疏松症筛查。这项回顾性多中心研究分析了3885张根尖X光片以及与之对应的基于DEXA测得的骨密度（T）值。研究提取了临床特征、放射组学特征和深度学习特征，从而构建了一个融合的特征集。放射组学特征（共215个）遵循图像生物标志物标准化倡议（IBSI）的标准，而深度学习特征（共128个）则来自一种新型的基于注意力机制的自动编码器。特征融合采用了ComBat调整方法；通过类内相关系数（ICC）过滤（ICC ≥ 0.80）来确保特征的可靠性。特征维度通过皮尔逊相关性和LASSO回归进行降维处理。四种分类器——逻辑回归、随机森林、多层感知器和XGBoost——在分层训练集、内部测试集和外部测试集上进行了训练和评估。最终选择逻辑回归模型用于临床应用和制定评分图表。决策曲线分析评估了该模型的临床实用性。结果表明，使用融合特征集时，XGBoost的分类性能最佳，内部AUC为94.6%，外部AUC为93.7%；逻辑回归模型也表现出较强的性能（外部AUC为91.3%），并有助于评分图表的构建。深度学习和放射组学特征独立于临床特征时均优于单纯的临床特征模型，这证明了它们的预测能力。SHAP分析确定了骨密度（T）值、年龄、维生素D水平以及某些放射组学/深度学习特征为关键影响因素。校准曲线和Hosmer–Lemeshow检验（p = 0.492）验证了模型的可靠性。决策曲线分析显示，在不同决策阈值下模型均具有显著的临床效益。牙科根尖X光片可以用于绝经后妇女的准确、无创骨质疏松症筛查。所提出的模型具有高准确性、泛化能力和可解释性，为将其整合到牙科实践中提供了可行的方案。

利益冲突

作者声明没有利益冲突。