
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的形态学AI模型在X线平片上检测骨质疏松性椎体压缩骨折及量化椎体压缩率的诊断效能与临床价值评估
《Journal of Orthopaedic Surgery and Research》:Clinical validation of a morphometric artificial intelligence system for detecting osteoporotic vertebral compression fractures on plain radiographs
【字体: 大 中 小 】 时间:2026年10月16日 来源:Journal of Orthopaedic Surgery and Research 3.8
编辑推荐:
摘要背景骨质疏松性椎体压缩骨折(OVCFs)是老龄人群发病和死亡的主要原因之一,而普通X线平片——目前最易获得的初始评估手段——其诊断结果具有操作者依赖性。本研究评估了一种基于深度学习的形态学人工智能(AI)模型在普通X线平片上检测OVCFs和量化椎体压缩率的诊断效能和临床价
骨质疏松性椎体压缩骨折(OVCFs)是老龄人群发病和死亡的主要原因之一,而普通X线平片——目前最易获得的初始评估手段——其诊断结果具有操作者依赖性。本研究评估了一种基于深度学习的形态学人工智能(AI)模型在普通X线平片上检测OVCFs和量化椎体压缩率的诊断效能和临床价值。
回顾性分析共100例疑似椎体压缩骨折患者(780个椎体,其中685个正常,95个骨折)。所有患者均接受脊柱X线平片检查,并在5周内接受计算机断层扫描(CT)或磁共振成像(MRI),在1年内进行骨密度评估。AI模型计算椎体压缩率,并以20%压缩率作为阈值对骨折进行分类。将AI性能与两名骨科医师、一名骨科住院医师和一名全科医师的盲法评估结果进行比较。指标报告时使用经聚类校正的95%置信区间(患者水平Bootstrap),并使用McNemar检验进行比较;同时评估了均衡准确率、F1分数、患者水平分析和压缩率一致性(组内相关系数)。
AI模型表现出高特异性(96.6%)和高阴性预测值(95.4%)。然而,其敏感性低于医师(66.3% vs. 75.8%–86.3%),均衡准确率也较低(81.5% vs. 86.5%–92.3%),这反映了骨折患病率较低(12.2%)。McNemar检验显示,AI的准确率和敏感性显著低于骨科医师和住院医师,但全科医师除外;而特异性无差异。患者水平的敏感性为84.3%(阴性预测值70.3%)。AI敏感性随严重程度升高,从亚阈值(<20%)骨折的约48%到Genant 3级的100%。AI推导的压缩率与医师测量值相关性良好(r = 0.594–0.873;组内相关系数0.534–0.850;所有p < 0.01),AI模型的ROC曲线下面积为0.8095,而医师为0.8651–0.9228。
该形态学AI模型表现出高特异性,与医师测量值具有显著相关性,但未超过医师评估者的表现,且其敏感性(66.3%)不足以独立使用。因此,该模型不适合独立用于诊断、排除或分诊;相反,它可以作为一种辅助工具,支持医师判读,主要通过提供客观、可重复的椎体压缩量化来实现。
骨质疏松性椎体压缩骨折(OVCFs)是老龄人群发病和死亡的主要原因之一,而普通X线平片——目前最易获得的初始评估手段——其诊断结果具有操作者依赖性。本研究评估了一种基于深度学习的形态学人工智能(AI)模型在普通X线平片上检测OVCFs和量化椎体压缩率的诊断效能和临床价值。
回顾性分析共100例疑似椎体压缩骨折患者(780个椎体,其中685个正常,95个骨折)。所有患者均接受脊柱X线平片检查,并在5周内接受计算机断层扫描(CT)或磁共振成像(MRI),在1年内进行骨密度评估。AI模型计算椎体压缩率,并以20%压缩率作为阈值对骨折进行分类。将AI性能与两名骨科医师、一名骨科住院医师和一名全科医师的盲法评估结果进行比较。指标报告时使用经聚类校正的95%置信区间(患者水平Bootstrap),并使用McNemar检验进行比较;同时评估了均衡准确率、F1分数、患者水平分析和压缩率一致性(组内相关系数)。
AI模型表现出高特异性(96.6%)和高阴性预测值(95.4%)。然而,其敏感性低于医师(66.3% vs. 75.8%–86.3%),均衡准确率也较低(81.5% vs. 86.5%–92.3%),这反映了骨折患病率较低(12.2%)。McNemar检验显示,AI的准确率和敏感性显著低于骨科医师和住院医师,但全科医师除外;而特异性无差异。患者水平的敏感性为84.3%(阴性预测值70.3%)。AI敏感性随严重程度升高,从亚阈值(<20%)骨折的约48%到Genant 3级的100%。AI推导的压缩率与医师测量值相关性良好(r = 0.594–0.873;组内相关系数0.534–0.850;所有p < 0.01),AI模型的ROC曲线下面积为0.8095,而医师为0.8651–0.9228。
该形态学AI模型表现出高特异性,与医师测量值具有显著相关性,但未超过医师评估者的表现,且其敏感性(66.3%)不足以独立使用。因此,该模型不适合独立用于诊断、排除或分诊;相反,它可以作为一种辅助工具,支持医师判读,主要通过提供客观、可重复的椎体压缩量化来实现。