《Osteoporosis and Sarcopenia》：Osteoporosis screening using chest radiographs with a deep learning model in a multi-ethnic population in Malaysia: A single-center experience
编辑推荐：
摘要
目的：骨质疏松症（osteoporosis）诊断不足，部分原因在于双能X线吸收测定法（dual-energy X-ray absorptiometry, DXA）的可及性有限。本研究评估了一种基于深度学习的机遇性筛查工具在多民族人群中利用胸部X光片识别骨
摘要
目的：骨质疏松症（osteoporosis）诊断不足，部分原因在于双能X线吸收测定法（dual-energy X-ray absorptiometry, DXA）的可及性有限。本研究评估了一种基于深度学习的机遇性筛查工具在多民族人群中利用胸部X光片识别骨质疏松症的诊断性能。
方法：在这项前瞻性横断面诊断准确性研究中，研究人员从马来西亚吉隆坡的一家城市学术机构招募了201名年龄≥50岁且未接受过骨质疏松症治疗的参与者（包括马来人、华人和印度人）。采用基于卷积神经网络（convolutional neural network, CNN）的模型分析后前位（posteroanterior, PA）胸部X光片，生成骨质疏松症概率评分，并以腰椎和股骨近端的DXA测量值作为验证标准。计算受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）、敏感性和特异性，并按种族进行分层分析。
结果：该模型的总体AUROC为0.90（95%置信区间[confidence interval, CI] 0.85–0.94）。在预设的概率阈值0.20下，敏感性为0.69（95% CI 0.58–0.80），特异性为0.91（95% CI 0.86–0.96），阴性预测值为0.85（95% CI 0.79–0.91）。在探索性分析中，事后Youden指数推导出的最佳截断值>0.025产生了0.84（95% CI 0.75–0.93）的敏感性和0.84（95% CI 0.78–0.90）的特异性。三个主要种族群体之间的AUROC未见显著差异，马来人的AUROC为0.91（95% CI 0.85–0.97），华人为0.88（95% CI 0.79–0.98），印度人为0.90（95% CI 0.78–1.00），尽管最小亚组的统计效力有限。
结论：将人工智能辅助分析整合到常规胸部X光片工作流程中，可以在不增加辐射暴露的情况下实现机遇性的骨质疏松症筛查。
论文解读文章
一、研究背景与问题提出
骨质疏松症是一种以骨矿物质密度（bone mineral density, BMD）降低和骨微结构退化为特征的慢性进行性骨骼疾病，导致骨脆性增加和骨折风险升高。全球范围内，骨质疏松症每年导致超过890万例骨折，相当于每3秒发生1例骨折。脆性骨折，尤其是脊柱和髋部骨折，与长期残疾、生活质量下降以及高达20%的首年死亡率密切相关。预计到2050年，髋部骨折的发生率将急剧上升，这一激增在亚洲将最为显著，尤其是在人口最多的中国和印度。马来西亚作为亚洲骨质疏松症联合会（AFOS）成员国，其髋部骨折病例数预计将从2018年的5880例增长3.55倍至2050年的20893例，直接医疗费用将从3530万美元攀升至1.254亿美元。
尽管存在有效的药物干预措施，但骨质疏松症仍然严重诊断不足和治疗不足，尤其是在中低收入国家（LMICs），这些国家的诊断工具可及性和可负担性受到限制。双能X线吸收测定法（DXA）仍是测量BMD的金标准，临床诊断依据世界卫生组织（WHO）的T评分分类标准。然而，DXA扫描在全球范围内的分布极不均衡，特别是在亚太地区。例如，马来西亚每百万人口拥有的DXA机器数量少于5台，远低于建议的12台诊断覆盖阈值。此外，设施过度集中于城市中心、缺乏公共报销政策等因素进一步降低了国家骨质疏松症筛查率。
鉴于DXA的局限性，利用广泛可用的影像学手段开发替代性、可扩展的筛查策略日益受到关注。胸部X光片是全球最常进行的诊断测试之一，常用于健康体检和术前评估等适应症。通过利用人工智能（AI）和深度学习的最新进展，这些现有的放射影像可以用于机会性骨质疏松症筛查，而无需额外的辐射暴露。此前的研究已在单一民族群体中显示出积极成果，但这些AI模型在更广泛、更多样化人群中的适用性尚未得到充分探索。因此，本研究旨在评估在马来西亚这一亚洲中高收入国家的多民族队列中，应用深度学习模型从常规胸部X光片中估计骨质疏松症风险，从而进行机会性筛查的可行性和泛化性。
二、研究方法概述
本研究为单中心、前瞻性、横断面诊断准确性研究，于2024年9月至2025年1月在马来西亚吉隆坡的马来亚大学医学中心（UMMC）进行。共连续招募了201名符合条件的个体。研究对象需满足年龄≥50岁、无既往骨质疏松症治疗史的条件。排除标准包括：后前位（PA）胸部X光片质量不佳、存在可能干扰结果判读的金属植入物或成像伪影、以及影像学证据显示有明显活动性肺部病变（如大叶性肺炎或肺肿块）的患者。研究使用了来自韩国首尔Promedius Inc.的OsteoSignal?模型，这是一种基于卷积神经网络（CNN）的深度学习模型，用于分析胸部X光片并生成骨质疏松症概率评分。该模型的诊断性能以腰椎和股骨近端的DXA测量结果作为金标准进行验证。
三、研究结果
3.1 整体诊断性能
该深度学习模型在检测骨质疏松症方面表现出色，总体AUROC达到0.90（95% CI 0.85–0.94）。在预设的概率阈值为0.20时，模型展现出较高的特异性（0.91，95% CI 0.86–0.96）和良好的阴性预测值（0.85，95% CI 0.79–0.91），但敏感性相对较低（0.69，95% CI 0.58–0.80）。
3.2 探索性分析结果
在一项探索性分析中，研究人员采用了事后Youden指数推导的最佳截断值（>0.025），结果显示模型的敏感性和特异性均达到0.84（95% CI 0.75–0.93和0.78–0.90），实现了更好的平衡。
3.3 不同种族的诊断性能
在三个主要种族群体之间，模型的诊断性能未观察到显著差异。马来人群体的AUROC为0.91（95% CI 0.85–0.97），华人群体为0.88（95% CI 0.79–0.98），印度人群体为0.90（95% CI 0.78–1.00）。不过，研究指出最小亚组的统计效力有限。
四、讨论与结论总结
讨论部分强调，本研究的发现表明，将AI辅助分析整合到常规胸部X光片工作流程中，能够在不增加额外辐射暴露的前提下，实现机会性骨质疏松症筛查。这种策略为解决传统筛查方法（尤其是资源有限的环境中）的可及性障碍提供了一种可扩展的方案，有助于早期识别高危个体并进行干预优化。研究结论指出，该深度学习模型在马来西亚多民族人群中展现出了良好的诊断性能和跨种族泛化能力，为在DXA设备匮乏的地区推广骨质疏松症筛查提供了新的可能性。
