编辑推荐：
为解决骨质疏松检测方法存在的问题，大连医科大学附属第一医院研究人员开展了基于低剂量腹部 CT（LDCT）的骨质疏松自动检测模型研究。结果显示该模型检测性能良好，对骨质疏松的早期筛查有重要意义。
骨质疏松是一种与人口老龄化密切相关的全身性骨骼疾病，其特征为骨量减少和骨微结构恶化，会导致骨脆性增加，骨折风险大幅上升。想象一下，随着年龄增长，人们的骨头变得像疏松的海绵，轻轻一碰就可能断裂，这给患者的生活带来极大困扰，也给社会医疗资源造成沉重负担。目前，骨质疏松的检测面临诸多难题。双能 X 线吸收法（Dual-energy X-ray Absorptiometry，DXA）和定量计算机断层扫描（Quantitative Computed Tomography，QCT）是常用的临床评估骨密度的方法，但 DXA 采用二维成像，对于髋关节因退行性变导致的骨质增生可能出现假阴性结果；QCT 虽然准确性高，却需要专门的软件和设备，且校准严格，限制了其广泛应用。因此，寻找一种高效、便捷的骨质疏松筛查方法迫在眉睫。
在这样的背景下，大连医科大学附属第一医院的研究人员展开了深入研究。他们旨在开发一种基于深度学习的近端股骨自动分割模型，并结合影像组学构建骨状态分类模型，用于骨质疏松的机会性检测。该研究成果发表在《BMC Musculoskeletal Disorders》杂志上，为骨质疏松的检测带来了新的希望。
研究人员主要运用了以下关键技术方法：首先，从 2024 年 1 月至 2024 年 11 月进行回顾性筛选，最终纳入 456 名患者，分为开发队列（355 例）和测试队列（101 例），开发队列再按 7:3 比例分为训练队列和验证队列 。其次，利用 VB-Net 网络框架对近端股骨进行自动分割。再者，采用递归特征消除（Recursive Feature Elimination，RFE）、最大相关最小冗余（Maximum Relevance and Minimum Redundancy，mRMR）和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）进行特征选择，并用随机森林（Random Forest，RF）分类器构建三分类预测模型。
下面来看具体的研究结果：
- 患者基线信息：研究共纳入 456 名患者（217 名男性，239 名女性），平均年龄 67.80 ± 8.18 岁。根据 QCT 的 T 评分，202 例患者骨量正常，175 例为骨质减少，79 例患有骨质疏松。训练、验证和测试队列的基线信息无显著差异1。
- 自动分割模型：近端股骨分割在两位审阅者间一致性高，平均 Dice 相似系数（Dice similarity coefficient，DSC）达 0.989 ± 0.002。自动分割模型性能出色，在验证队列和测试队列中，DSC 值分别为 0.975 ± 0.012 和 0.955 ± 0.137，体积差异（Volume difference，VD）均未超过 1 cm32。
- 影像组学模型：从 LDCT 图像的感兴趣区域（Region of interest，ROI）提取 1184 个影像组学特征，经 RFE、mRMR 和 LASSO 筛选，最终用 15 个优化特征建立 RF 模型。在测试队列中，该模型识别正常骨量的 AUC 值为 0.924（95% CI：0.854 - 0.967），灵敏度为 0.846，特异性为 0.837；识别骨质疏松的 AUC 值为 0.960（95% CI：0.913 - 1.000），灵敏度为 0.947，特异性为 0.963；识别骨质减少的 AUC 值为 0.828（95% CI：0.747 - 0.909），灵敏度为 0.767，特异性为 0.7463。
研究结论表明，结合深度学习的近端股骨自动分割和基于影像组学的骨状态分类的三分类预测模型，可用于 LDCT 图像中骨质疏松的机会性检测。不过，该研究也存在一定局限性，如单中心研究，样本量有限，仅从近端股骨提取影像组学特征，且未开发辅助医生诊断的模型等。尽管如此，该研究仍具有重要意义，为骨质疏松的早期筛查提供了新的思路和方法，有望在未来通过多中心、大样本的研究进一步验证模型的可靠性，整合更多临床数据提升诊断效能，助力骨质疏松的防治工作，为患者带来更好的健康保障。
