基于深度神经网络的胸部X线图像骨质疏松症自动机会性筛查研究

研究人员针对骨质疏松症(osteoporosis)诊断金标准双能X线吸收测定法(DXA)存在设备普及率低、检测成本高和辐射暴露等问题，创新性地利用胸部X线图像(chest X-ray)开展深度学习(deep learning)筛查研究。团队开发了基于迁移学习的Inception v3、VGG16和ResNet50三种深度神经网络模型，其中ResNet50模型在内部测试集准确率达90.38%，AUC值0.957，外部验证AUC值0.904，为临床提供了一种无额外辐射和成本的自动筛查方案。

　　

骨质疏松症正随着全球老龄化进程成为重大公共卫生问题。中国《原发性骨质疏松症诊疗指南》显示，50岁以上人群患病率达35.6%，预计205年将升至46.7%。这种以骨密度(bone mineral density, BMD)降低和骨微结构退化为特征的代谢性疾病具有隐匿性，70%患者首次就诊时已发生骨折，显著增加并发症和死亡风险。目前诊断金标准双能X线吸收测定法(dual-energy X-ray absorptiometry, DXA)面临三大困境：设备覆盖率不足（发达国家<30%）、单次检测费用高达200美元、存在辐射暴露，使其难以作为筛查工具普及。

在此背景下，机会性筛查(opportunistic screening)概念应运而生——利用现有临床影像数据进行二次分析，在不增加检查的情况下实现疾病早期筛查。医学影像技术的创新为骨质疏松机会性筛查提供了多种路径，其中X线解决方案因其低成本、高普及率（覆盖全身90%骨结构）、快速成像等优势脱颖而出。特别是胸部X线成像在肺炎筛查等常规应用中积累了海量影像资源，为骨质疏松筛查提供了天然数据基础。

深度学习技术的突破性发展为X线筛查注入新动力。然而现有技术存在两大瓶颈：一是胸部X线图像存在低对比度（骨组织HU值差异<5%）和解剖重叠（肋骨与脊椎重叠>40%）等固有缺陷；二是现有卷积神经网络(convolutional neural network, CNN)架构在骨质疏松诊断中的曲线下面积(area under the curve, AUC)普遍低于0.85，而临床可用标准通常要求AUC>0.90。

为突破这些限制，陆军军医大学大坪医院团队开展了一项创新研究，成果发表在《Bone》期刊。研究人员采用迁移学习策略，基于1995例患者胸部X线数据，构建了Inception v3、VGG16和ResNet50三种深度神经网络模型，系统比较了单视图（仅正位）与双视图（正位+侧位）的筛查效能，并通过多中心数据验证模型泛化能力。

关键技术方法包括：1）从重庆大坪医院2019年1月至2024年8月的就诊患者中筛选1780例符合标准者（年龄≥50岁、同日进行胸部X线和DXA检查）；2）将DICOM格式图像转换为8位PNG格式并进行强度归一化；3）采用动态数据增强技术（随机翻转、旋转、平移等）；4）基于ImageNet预训练的Inception v3、VGG16和ResNet50模型进行微调；5）通过5折交叉验证评估模型性能，外部验证采用重庆新桥医院100例数据。

研究结果方面：

3.1 患者特征

数据集包含1780例患者（骨质疏松组990例，正常组790例），平均年龄69.3岁，女性占比58.2%。外部验证集100例中骨质疏松患病率30%，显著低于主数据集（55.7%），反映了真实世界人群差异。

3.2 预训练模型整体性能

ResNet50模型在双视图实验中表现最优：平均准确率90.38%（SD 1.17），AUC 0.957，灵敏度91.84%，特异度88.68%。较单视图实验准确率提升2.53%，显著优于传统CNN模型（准确率差近10%）。

3.3 模型预测可视化

梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)显示模型重点关注区域包括肩胛骨、肱骨头、下胸腰椎和近端肋骨，这些区域与骨质疏松典型特征高度吻合。

3.4 支气管疾病患者的筛查

在401例支气管疾病患者的新数据集中，模型保持高灵敏度（90.91%）和AUC（0.920），证实其对合并肺部病变患者的筛查可靠性。

3.5 外部验证

在重庆新桥医院外部数据集上，模型AUC达0.904，准确率89%，灵敏度90%，特异度88.57%，30例骨质疏松患者中仅3例误判，展现出色泛化能力。

研究结论与讨论指出，经ResNet50模型优化的深度学习架构在骨质疏松筛查中展现出三大优势：一是突破性性能指标（AUC>0.95）满足临床可用标准；二是双视图策略使准确率提升至90.38%；三是在支气管疾病患者和外部验证中保持稳健表现。该模型首次证实常规胸片可兼顾呼吸系统疾病和骨质疏松双重筛查，特别适合长期使用糖皮质激素的呼吸疾病患者——这类人群既有较高骨折风险，又常因行动不便难以接受DXA检查。

研究创新点体现在：1）采用临床真实场景下的非完美数据集（部分患者缺失侧位片），通过零填充矩阵处理模拟实际筛查环境；2）通过Grad-CAM可视化揭示模型关注区域与临床认知的一致性；3）在保持高灵敏度（>90%）前提下实现特异度优化，平衡筛查假阴性风险与后续诊断负担。

局限性包括侧位片不全可能引入偏差，以及可视化解释性有待加强。未来工作将整合年龄、性别等临床特征构建融合模型，并开发可解释性更强的可视化工具。该成果为资源受限地区提供了理想的骨质疏松筛查方案，有望通过常规胸片实现"拍一次片，查两种病"的协同效益。