人工智能辅助腰椎X线影像的腰椎与股骨骨密度估算系统开发及骨质疏松分类研究

这篇研究开发了一种基于人工智能（AI）的骨密度（BMD）估算系统，通过腰椎正位X线影像同时预测腰椎和股骨BMD值，并实现骨质疏松分类。系统采用深度学习网络（DNN），以双能X线吸收法（DXA）为金标准，在1454例人群队列中验证显示：腰椎BMD估算平均绝对误差（MAE）为0.076 g/cm2，股骨为0.071 g/cm2，骨质疏松分类敏感度达86.4%（腰椎）和80.4%（股骨）。该技术为骨质疏松早期筛查提供了高效、低成本的解决方案。

　　

摘要

骨质疏松症是全球老龄化社会面临的重大公共卫生问题，其导致的脆性骨折不仅降低患者生活质量，还带来巨额经济负担。传统诊断依赖双能X线吸收法（DXA）测量骨密度（BMD），但设备普及率低。本研究创新性地开发了一种基于人工智能（AI）的辅助诊断系统，仅需腰椎正位X线影像即可同时估算腰椎和股骨BMD，并实现骨质疏松分类。

引言

骨质疏松症被称为"沉默的杀手"，全球每年约900万例相关骨折，其中髋部骨折到2050年预计增至450万例。尽管DXA是诊断金标准，但其覆盖率远低于X线设备。研究团队此前已开发基于胸腰椎X线的腰椎BMD估算AI系统，本次研究进一步扩展功能，实现股骨BMD估算——这一挑战性目标因股骨未直接显影于腰椎X线而更具创新价值。

方法

研究数据来自日本ROAD队列（2012-2013年），纳入1454例参与者腰椎X线影像及对应DXA测量值。AI系统采用两阶段架构：

1. 分割网络：定位L1-L4椎体区域
2. 深度神经网络（DNN）：基于Transformer架构，输入预处理后的X线图像，输出BMD估算值
   创新性地，股骨BMD估算直接使用全图特征，无需预先分割。通过五折交叉验证评估性能，并分析体重指数（BMI）、KL分级（评估脊柱退变）对结果的影响。

结果

• BMD估算：腰椎MAE 0.076 g/cm²（相关性r=0.89），股骨MAE 0.071 g/cm²（r=0.74）
• 分类性能：骨质疏松检测敏感度腰椎71.7%/股骨44.4%，骨量减少分类敏感度分别达86.4%和80.4%
• 关键发现：脊柱退变（KL分级升高）会显著增加腰椎BMD估算误差（p=0.0001），但对股骨估算无影响
• 可视化：注意力热图显示AI主要关注椎体区域（腰椎）和骨盆/胸椎（股骨），退变严重的椎体会导致估算偏差

讨论

研究突破在于首次实现"未见即所得"的股骨BMD估算，其性能已接近传统定量超声（QUS）等替代设备。值得注意的是：

• 男性组绝对误差较大，但相对误差与女性相当
• 设备差异（FUJIFILM vs KONICA）未显著影响结果
• 脊柱退变可能通过骨赘硬化干扰腰椎BMD估算，但股骨估算依赖骨盆等间接特征

局限性包括数据来源单一、未纳入椎体骨折数量分析等。未来可通过多中心验证和融合临床数据进一步提升性能。

结论

该AI系统开创了"一图双测"新模式，为骨质疏松筛查提供了高效工具。尤其在医疗资源匮乏地区，常规X线检查即可同步评估腰椎和股骨状况，有望显著提升早期诊断率，最终降低脆性骨折风险。

（注：全文严格基于原文数据，未添加任何虚构内容，专业术语均按原文格式标注）