人工智能与胸部CT：骨质疏松机会性筛查的新前沿及骨矿物质密度定量评估

《Skeletal Radiology》：Artificial intelligence and chest CT: a new frontier for opportunistic bone mineral density assessment

本刊推荐：为解决骨质疏松筛查率低、DXA（双XA）利用不足的临床难题，Wei等人开展了人工智能（AI）与胸部CT（Computed Tomography）结合用于机会性骨矿物质密度（BMD）评估的前沿研究。其AI模型通过全自动椎体分割和内部软组织校准，在非专用胸部CT数据中实现了骨质疏松诊断曲线下面积（AUC）达0.84，证实了基于常规影像的BMD量化可行性。该研究将胸部CT的应用从疾病诊断拓展至骨骼健康早期预防，为价值医疗和精准肌肉骨骼医学提供了新范式。

　　

在全球范围内，骨质疏松犹如一场静默的流行病，每年导致超过890万例脆性骨折，近2亿人深受其扰。尽管双能X线吸收测定法（DXA）是骨密度测量的金标准，但其筛查率始终低迷，尤其在男性和老年人群中。与此同时，随着人口老龄化进程，胸部计算机断层扫描（CT）已成为最常实施的影像学检查之一。每一次胸部CT扫描都不可避免地捕获到胸椎信息，这些数据中蕴藏着宝贵的骨骼健康线索，却长期被临床忽视。

这一矛盾现象催生了新的研究思路：能否利用人工智能（AI）技术，从海量的常规胸部CT影像中“挖掘”出有价值的骨骼信息，从而实现低成本、无额外辐射的骨质疏松机会性筛查？近年来，AI和放射组学（Radiomics）方法的兴起，使得从常规CT数据中直接提取骨骼微结构和纹理特征成为可能，将机会性成像的潜力从简单的密度分析扩展至多维度的骨骼健康评估。发表在《Skeletal Radiology》上的Wei等人的研究，正是这一前沿领域的典范之作。该研究展示了如何通过AI将日常胸部CT数据转化为骨健康的定量生物标志物，为放射学从诊断导向迈向预防导向提供了关键技术支撑。

为验证AI在机会性骨密度评估中的有效性，Wei等开发了一套全自动分析流程。该研究采用回顾性数据，其AI模型核心包括两大关键技术：全自动椎体分割（涵盖T10至L1节段）以及利用椎旁肌和皮下脂肪作为参考组织进行内部标准化校准。这种方法旨在消除不同扫描仪和采集参数导致的Hounsfield单位（HU）变异，从而提升基于CT值的骨矿物质密度（BMD）估算的可靠性和可重复性。

研究方法与技术路径

研究采用回顾性设计，利用常规胸部CT数据。AI模型核心包括全自动椎体分割（涵盖T10至L1节段）以及利用椎旁肌和皮下脂肪作为参考组织进行内部校准，以最小化扫描间变异。

诊断性能验证

与DXA T值相比，AI模型对骨质疏松和骨量减少的诊断曲线下面积（AUC）分别达到0.84和0.73。研究证实，即使在非专用胸部CT数据中，也能实现具有临床意义的BMD量化。

椎体评估范围的拓展

不同于以往多局限于L1椎体的研究，该研究评估了T10至L1多个胸椎节段，证明胸椎水平可获得与L1相当的诊断效能，拓宽了机会性筛查的适用范围。

技术可重复性与校准创新

通过体积量化椎体骨髓并应用内部软组织校准，显著降低了Hounsfield单位（HU）的扫描间变异，增强了BMD估算的再现性。该方法体现了可解释成像分析的理念，自动化椎体标记和分割图谱支持视觉验证，提升了AI结果的透明度和临床可信度。

Wei等人的研究标志着AI定量CT（AI-QCT）标准化迈出关键一步。其结论证实，即使非专用的胸部CT也蕴含具有重要临床价值的可量化骨骼数据。通过AI驱动的机会性BMD评估，能将常规影像数据转化为可行动的临床知识，实现大规模、低成本的骨骼脆弱性早期识别。该研究不仅展示了AI与定量成像在预防医学中的巨大潜力，也为将放射学数据转化为增值性健康洞察提供了范例。随着放射组学和骨小梁纹理分析等技术的融合，未来机会性筛查有望超越单纯密度指标，捕获更丰富的骨骼微结构特征，进一步推动肌肉骨骼健康管理的精准化进程。