综述：基于低剂量胸部CT的人工智能模型在骨质疏松检测中的准确性：系统综述与荟萃分析

这篇综述系统评价了低剂量胸部CT（LDCT）结合人工智能（AI）模型在骨质疏松筛查中的诊断效能，通过荟萃分析（PRISMA-DTA标准）证实其高灵敏度（0.90）和特异性（0.93），椎体分割Dice系数（DSC）达0.92，但需多中心研究验证其临床互补价值。

　　

摘要

基于低剂量胸部CT（LDCT）的人工智能（AI）技术为骨质疏松筛查提供了新思路。一项涵盖8项研究的系统综述显示，AI模型在椎体自动分割中的Dice相似系数（DSC）高达0.92（95% CI 0.88–0.97），诊断骨质疏松合并骨量减少的灵敏度为0.90，特异性为0.90；单纯骨质疏松的灵敏度为0.86，特异性达0.93，曲线下面积（AUC）均超过0.96。

研究方法

研究遵循PRISMA-DTA声明，检索截至2024年12月的四大数据库（PubMed、Scopus、Web of Science、Cochrane Library），采用改良QUADAS-2工具评估文献质量。通过Egger检验和漏斗图分析发表偏倚，并利用Meta回归探讨异质性来源。

关键发现

1. 分割性能：AI对胸椎和腰椎的自动分割精度接近人工标注水平（DSC 0.92），但仅包含胸椎的研究结果略低（P<0.05）。
2. 诊断效能：模型区分骨质疏松与正常人群的AUC达0.9676，但外部数据集验证的灵敏度下降，提示泛化能力待提升。
3. 异质性因素：放射组学特征整合、标注者人数（1 vs. 2名放射科医师）及椎体范围（是否含腰椎）显著影响结果（P<0.05）。

局限与展望

当前研究多依赖回顾性数据，且缺乏标准化LDCT协议。未来需前瞻性多中心试验验证AI在骨质疏松分级（如T值<-2.5）中的辅助作用，并探索放射组学与深度学习结合的优化路径。

（注：全文严格基于原文数据，未添加非引用结论。）