深度学习算法在颈椎X线片中筛查骨量减少/骨质疏松症的诊断价值研究

本研究针对颈椎疾病患者骨质疏松筛查难题，开发了一种基于卷积神经网络(EfficientNetV2-S)的深度学习算法，通过分析颈椎侧位X线片即可预测股骨颈或腰椎T-score<-1.0的骨量异常。在独立测试集中，该算法准确率达80.0%，显著高于脊柱外科医生60.6%的平均诊断水平，为颈椎疾病患者提供了一种低成本、高效的骨质疏松筛查工具。

　　

颈椎疾病患者因步态失衡和跌倒风险增加，面临更高的脆性骨折风险。日本大阪都市大学医学部骨科的研究团队在《Scientific Reports》发表了一项创新研究，开发出首个基于颈椎X线片的深度学习算法，可准确识别骨量减少/骨质疏松症患者。

当前骨质疏松诊断金标准双能X线吸收测定法(DXA)存在设备昂贵、普及率低的问题，而颈椎疾病患者常规拍摄的X线片恰好提供了潜在筛查窗口。研究团队收集了230例同时接受颈椎X线和DXA检查的患者数据，采用EfficientNetV2-S架构构建卷积神经网络模型。通过六折交叉验证和独立测试集验证，算法在自动识别C3-C6椎体、排除严重退变椎体、纳入棘突区域分析后，最终实现了80.0%的准确率，显著优于9名脊柱外科医生的诊断表现。

关键技术包括：1) 从3家日本医疗机构获取230例配对颈椎X线和DXA数据；2) 采用数据增强技术扩充训练集；3) 构建EfficientNetV2-S模型进行六折交叉验证；4) 设计四步自动分析流程处理椎体图像；5) 使用独立测试集对比算法与临床医生诊断差异。

研究结果显示：在训练数据集(n=200)中，算法曲线下面积(AUC)达0.869，敏感性和特异性分别为0.890和0.756。在独立测试集(n=30)中，这些指标保持在0.858、0.818和0.750的优异水平。典型案例显示，该算法成功从61岁女性DCM患者的术前X线片中预测骨质疏松，后经DXA证实(T-score腰椎-2.51/股骨颈-1.91)。

讨论部分强调，这是首个利用颈椎X线片筛查骨质疏松的AI工具，其创新性体现在：1) 将常规检查转化为筛查工具；2) 自动处理椎体退变干扰；3) 覆盖骨量减少(-1.0>T-score>-2.5)和骨质疏松(T-score≤-2.5)两类高危人群。虽然存在样本量有限、仅限日本人群等局限，但该研究为SPINE20倡导的数字技术应用提供了范例，未来通过多中心验证有望成为颈椎疾病患者骨质疏松筛查的常规手段。研究证实，AI辅助的常规影像学分析可突破现有筛查瓶颈，实现"零成本"的早期风险预警。