新旧技术交汇之处：探寻更有效的病理骨折预测方法——对Shinn Kim博士等人发表的文章《利用髋部X光片区分肿瘤性病理骨折与非病理骨折的深度学习模型》的评论

《JBI Evidence Synthesis》：Where New and Old Technologies Converge: In Search of a Better Way to Predict Pathologic Fracture: Commentary on an article by Shinn Kim, MD, et al.: “Deep Learning Model for Differentiating Between Neoplastic Pathologic Fracture and Nonpathologic Fracture Using Hip Radiographs”

病理骨折预测中，AI技术可辅助放射科医生准确识别骨转移性骨折与非病理性骨折，其性能接近经验丰富的临床观察者。现有评估工具如Mirels评分存在主观性差异，结合标准化DICOM影像与多维度临床数据（年龄、BMI、病史等）可提升预测准确性，减少不必要的手术干预。未来需建立大规模数据库并优化算法以实现精准风险评估。

　　

由于转移性疾病导致的病理性骨折是预后较差的重要预测因素^{1, 2}，并且与生活质量下降、疼痛加剧和功能障碍增加有关。作为转移性骨病的初始症状，病理性骨折在10%至15%的癌症患者中可见¹，表明疾病已进入更晚期。出现长骨转移并伴有“即将发生的病理性骨折”的患者比例虽然较少，但同样具有重要意义。在这些患者中，根据基于影像学解读的模型，有10%至25%的患者符合进行预防性内固定的标准³。值得注意的是，因“即将发生的”而非已经发生的病理性骨折而接受内固定的患者，其预后和生活质量有所改善⁴。

有时，检测病理性骨折的存在颇具挑战性，因此基于人工智能（AI）的有效诊断方法在临床实践中非常有用。在他们的研究中，Kim等人提出了这样一个问题：AI能否以与经验丰富的观察者相当的水平，准确预测髋部X光片上的肿瘤性病理性骨折与非病理性骨折？答案是肯定的。如果能够将这种AI方法标准化并推广，那么预测骨折性质的能力就可以得到提升。

早期识别即将发生的病理性骨折也非常重要，及时恰当的干预措施同样关键。然而，目前尚无被广泛接受的“即将发生骨折”的定义。临床医生通常使用Mirels评分系统⁵，但该工具的准确性受观察者解读X光片经验的影响，而不同专业和临床环境下的解读能力可能存在差异。

即便有专家级的影像学解读，对即将发生的病理性骨折的评估也往往高估了骨折风险，从而导致不必要的外科干预。选择合适的干预时机至关重要，因为这类患者的手术并发症可能包括感染、内固定物失效、骨折不愈合或愈合延迟、出血、血栓事件、败血症、需要再次手术、疾病进展以及持续性的疼痛和功能受限⁶。

未来的挑战在于如何将两种技术——一种新兴技术，另一种则是成熟且已被广泛使用的技术——结合起来，以更准确地评估骨折风险。为所有临床医生，尤其是经验不足的医生提供这样的工具，将具有重大价值。AI技术与X光片的结合是否能够进一步提升我们的骨折风险预测能力？

一个全面的风险评估工具应综合考虑多种因素，包括但不限于年龄、性别、体重指数、骨密度、放射治疗或化疗史、活动水平以及受影响的骨骼部位，同时还需要结合标准化和优化的影像学标准。

虽然AI可以通过学习不断提高其风险评估能力，但验证其预测结果的准确性仍是一个重大难题。一个可能的解决方案是建立包含所有长骨转移性疾病患者的临床和影像学数据的大规模数据库。AI可以分析这些数据，从而识别与病理性骨折相关的因素，帮助我们更准确地预测骨折风险。

这一风险评估工具面临的另一个主要挑战是缺乏标准化的影像学数据。一个解决方案是使用基于网络的标准化系统，将X光片转换为统一的DICOM（医学数字成像与通信）格式，以便AI进行分析，从而消除图像质量的差异。更先进的工具则可以结合AI生成的风险评分模型，综合分析临床、病史和影像学参数，生成一个经过验证且可重复的风险评分。

作者们通过应用AI技术，推动了我们对病理性骨折风险的理解，值得称赞。他们的研究结果表明，AI平台在预测病理性骨折方面可以与经验丰富的临床医生相媲美。这为进一步拓展AI在影像学评估中的应用提供了可能性，有助于优化风险分层、改善转移性骨病患者的临床结局并提升其生活质量。