《Bone》：AI-supported opportunistic detection of vertebral fractures on routine CT scans: Diagnostic performance and clinical relevance
编辑推荐：
脊椎骨折检测中人工智能辅助诊断系统的评估：一项单中心回顾性研究显示，AI工具IB Lab FLAMINGO在胸腹部CT扫描中可显著提高脊椎骨折检出率，经放射科医师复核后敏感性和特异性分别达88.5%和99.3%，为临床筛查提供有效补充。
马蒂娜·贝哈诺娃（Martina Behanova）|安东·索汗（Anton Sokhan）|朱迪思·哈施卡（Judith Haschka）|沙欣·赞迪（Shahin Zandieh）|克里斯托夫·萨尔茨莱希纳（Christoph Salzlechner）|理查德·柳哈尔（Richard Ljuhar）|约亨·兹韦里纳（Jochen Zwerina）|罗兰·科奇安（Roland Kocijan）
奥地利维也纳汉努施医院（Hanusch Hospital）OEGK和AUVA创伤中心梅德林分部（Meidling）的卢德维希·玻尔兹曼骨学研究所（Ludwig Boltzmann Institute of Osteology），第一内科部门，邮编1140
摘要
背景
椎体骨折（VFs）是最常见的骨质疏松性骨折类型之一，但它们常常被漏诊且未得到治疗。使用人工智能（AI）工具可能有助于提高检测率。本研究旨在评估基于AI的软件（IB Lab FLAMINGO）在胸部和腹部CT扫描中识别椎体骨折的诊断性能，以放射科医生的评估作为参考标准。
方法
这是一项单中心、回顾性的横断面研究。随机选取了205名因非骨骼原因进行CT扫描的患者。分别计算了椎体和患者层面的敏感性、特异性和准确性。我们分析了AI误报的骨折中，经重新评估后可能被发现的真实骨折的比例。
结果
在205名患者中（59%为男性；平均年龄67.9±9.5岁），放射科医生最初识别出11.2%的椎体骨折，最常见于胸腰交界处。女性患者更多出现胸椎（T4–T7）骨折，而男性患者则更多出现腰椎（L1–L4）骨折。AI分析了190名患者（92.7%），检测出24.7%的骨折。在患者层面，IB Lab FLAMINGO的准确率为81%，敏感性为74%，特异性为82%。在椎体层面（N=3040），准确率和特异性均达到97%。经过重新评估后，30名AI提示阳性的患者中有29人的骨折得到确认，敏感性提高到88.5%，特异性提高到99.3%，椎体骨折的总体检出率提高到25%。
讨论
这些性能指标支持将AI软件IB Lab FLAMINGO作为筛查辅助工具和质量保证工具的潜力，同时考虑到了放射科医生漏诊的比例。
引言
椎体骨折（VFs）是最常见的骨质疏松性骨折类型之一，与未来骨折风险增加[1]、慢性疼痛[2]、功能下降[3]和生活质量降低[3]以及死亡率上升[4]相关。尽管椎体骨折具有临床重要性，但在常规实践中诊断仍面临挑战[5]。
评估骨质疏松性椎体骨折的真实发病率颇具难度，因为这些骨折通常在没有明显外伤的情况下发生，且常常无症状或仅表现为轻微症状。放射科医生常常漏诊椎体骨折，这可能是因为他们没有充分认识到其临床意义[6]。据报道，在X光检查中，椎体骨折的漏诊率在16%到55%之间[7][8][9][10][11]。此外，常规CT扫描中仅能检测出约15%的椎体骨折[10,11]。慕尼黑大学的一项研究显示，椎体骨折的检出率仅为25%[12]。这种诊断差距可能与时间限制和对椎体骨折临床意义的认识不足有关[6,13]。椎体骨折诊断的不足以及骨质疏松预防的不足也会带来显著的经济影响。2019年，欧盟27个成员国加上英国和瑞士的骨质疏松性骨折总直接费用达到了569亿欧元[14]。
此外，当进行与脊柱无关的CT检查时，注意力通常集中在主要诊断问题上，导致骨折被忽视或被视为次要发现。此外，解读结果往往仅依赖于轴向切片，而实际上在矢状位重建图像上能更准确地检测到椎体骨折[10,11]。
根据当前的国际指南，椎体骨折通常通过侧位脊柱X光片或双能X射线吸收测定法（DXA）进行诊断。然而，用于其他诊断目的的胸部和腹部计算机断层扫描（CT）也能提供足够的解剖细节来识别椎体骨折，从而提供了机会性筛查的机会。
人工智能（AI），特别是深度学习，为缩小骨质疏松症诊断差距提供了有前景的方法[15]，能够实现常规CT扫描中椎体骨折的自动化、机会性检测[16][17][18]。这些算法可以轻松集成到临床工作流程中，无需放射科医生付出过多额外努力，有助于实现一致和标准化的报告。研究表明，这有助于早期诊断并及时转诊进行骨质疏松评估和管理[19,20]。
本研究的目的是评估基于AI的软件（IB Lab FLAMINGO）在胸部和腹部CT扫描中识别椎体骨折的诊断性能，以放射科医生的书面报告作为参考标准。除了计算椎体和患者层面的敏感性、特异性和准确性外，我们还分析了软件误报的骨折中，经重新评估后可能被发现的真实骨折的比例。
研究设计与设置
这是一项在奥地利维也纳汉努施医院进行的单中心、回顾性横断面研究，与卢德维希·玻尔兹曼骨学研究所和ImageBiopsy Lab合作完成。从患者病历中提取了包括年龄、性别和恶性肿瘤病史在内的临床数据。同时收集了每块椎体的放射学报告中关于是否存在椎体骨折的信息。
所有参与初始临床报告的放射科医生
试点阶段
在试点阶段，分析了29名患者（平均年龄76±9.9岁；51.7%为男性）的CT扫描中的458个椎体。基于AI的IB Lab FLAMINGO软件在检测较严重级别的椎体骨折（Genant 2/3）方面表现出较高的诊断性能，其敏感性为89.5%，特异性为98.0%，与放射科医生的评估结果相当（结果未展示）。
全面分析
共有205名患者被随机选入研究。所有这些患者都拥有放射学评估报告。
讨论
本研究评估了基于AI的软件IB Lab FLAMINGO（ImageBiopsy Lab）在常规CT扫描中的诊断性能，以放射科医生的评估作为参考标准。此外，我们还分析了软件最初标记为假阳性的骨折中，经放射科医生重新评估后被证实为真实骨折的比例。
在我们的研究队列中，IB Lab
结论
在常规CT扫描中进行基于AI的机会性筛查可以显著提高椎体骨折的检出率，从而弥补现有的诊断差距。这些工具应作为放射科医生解读的补充，而非替代，并需要在临床应用前进行特定场所的验证。将基于AI的检测技术整合到FLS系统中，可以填补机会性骨折的诊断空白，支持及时的二级预防，最终改善患者预后。
CRediT作者贡献声明
马蒂娜·贝哈诺娃（Martina Behanova）：撰写——审稿与编辑、初稿撰写、可视化、方法学设计、数据分析。安东·索汗（Anton Sokhan）：撰写——审稿与编辑、项目管理、方法学设计、数据分析。朱迪思·哈施卡（Judith Haschka）：撰写——审稿与编辑、概念构思。沙欣·赞迪（Shahin Zandieh）：撰写——审稿与编辑、验证。克里斯托夫·萨尔茨莱希纳（Christoph Salzlechner）：撰写——审稿与编辑、软件开发。理查德·柳哈尔（Richard Ljuhar）：软件开发。约亨·兹韦里纳（Jochen Zwerina）：撰写——审稿与编辑
资金来源
本研究未获得公共部门、商业机构或非营利组织的任何特定资助。
利益冲突声明
克里斯托夫·萨尔茨莱希纳（Christoph Salzlechner）和理查德·柳哈尔（Richard Ljuhar）是ImageBiopsy Lab的员工。其他作者均无利益冲突。致谢
我们感谢丹尼尔·阿里安·克劳斯（Daniel Arian Kraus）在项目试点阶段的工作，以及放射科工作人员的支持。
