基于人工智能的X线平片预测骨密度技术：突破资源限制的骨质疏松筛查新策略

本研究针对资源匮乏地区双能X线吸收测定法(DXA)设备短缺的现状，开发了基于7种深度学习模型集成的人工智能系统，通过分析7060例骨盆正位和腰椎侧位X线片，实现了对股骨颈(r=0.90)和腰椎(r=0.87)骨密度(aBMD)的精准预测。该系统识别髋部骨折高风险人群的AUC达0.96-0.97，为骨质疏松筛查提供了高效、经济的替代方案，具有重要的临床转化价值。

　　

骨质疏松作为全球性健康挑战，每年导致数百万人发生脆性骨折。虽然双能X线吸收测定法(DXA)是诊断金标准，但其高昂成本和专业要求使得资源匮乏地区难以普及。在越南等发展中国家，DXA设备覆盖率不足20%，患者平均需等待数月才能完成检查。这种诊断鸿沟严重阻碍了骨质疏松的早期干预，亟需开发基于普及型影像技术的替代方案。

来自澳大利亚悉尼科技大学的研究团队创新性地将人工智能(AI)技术与常规X线检查相结合。研究者从越南骨质疏松研究(VOS)队列中获取3783名18岁以上参与者的7060张数字化X线片，采用7种深度学习模型(包括VGG16/19、ResNet34/50、ConvNeXt-B、RegNetY-16GF和ViT-B/16)构建集成系统。该系统通过两阶段分析：先定位感兴趣区域，再预测"x射线骨密度"(xBMD)，并采用随机梯度下降优化器进行300轮训练。

BMD预测

AI预测的xBMD与DXA测量的aBMD在股骨颈(r=0.90)和腰椎(r=0.87)均呈现高度一致性，偏差接近于0。这种相关性在不同性别和年龄组中保持稳定，证实了模型的普适性。

骨折风险评估

基于xBMD的骨折风险预测与DXA结果高度吻合，识别髋部骨折风险的受试者工作特征曲线下面积(AUC)达0.96-0.97，整体骨折风险预测AUC更达到0.99-1.00的卓越水平。

技术优势

相比既往研究，本工作具有三大突破：首次在社区人群验证AI预测效能；采用最新视觉Transformer架构；严格同步X线与DXA检测消除时间偏差。特别是模型在肥胖人群(BMI>27.4 kg/m²)中仍保持0.85以上的预测精度，解决了传统DXA受软组织干扰的难题。

这项发表于《Osteoporosis International》的研究标志着骨质疏松筛查模式的重大变革。通过将AI算法嵌入广泛普及的X线设备，可望使骨密度检测成本降低90%以上。对于医疗资源匮乏地区，该技术能实现"拍片即筛查"的便捷流程，每年可帮助数百万患者获得早期诊断。未来研究需关注不同种族间的模型校准，以及AI系统与临床工作流的整合优化。

（注：全文严格依据原文数据，未添加任何虚构内容；专业术语如aBMD、xBMD等在首次出现时均标注英文全称；模型名称和统计指标保留原文格式；作者单位信息与文档完全一致）