用于诊断脊柱骨质流失的序列特异性放射组学方法

《Frontiers in Endocrinology》：Sequence-specific radiomics for diagnosis of spinal bone loss

　　摘要
目的：通过利用传统的腰椎MRI，建立一个序列特异性的预测模型，以识别异常骨密度或骨质疏松症。
方法：本研究回顾性地纳入了160名患者（52名男性和108名女性；平均年龄61.27 ± 12.72岁）的320份MR扫描数据，这些患者接受了腰椎MRI和定量计算机断层扫描（QCT）检查。从腰椎MR图像中提取了放射组学特征。以QCT作为参考标准，开发了六种基于放射组学的机器学习模型，包括K最近邻（KNN）、支持向量机（SVM）、线性判别分析（LDA）、逻辑回归（LR）、随机梯度下降（SGD）和高斯朴素贝叶斯（Gaussian NB），使用T1WI单独、T2WI单独以及T1WI+T2WI的组合来预测异常骨密度和骨质疏松症。数据集被随机分为训练/验证集和测试集，比例为7:3。计算并评估了这些模型的性能指标。
结果：在评估的六种机器学习模型中，T1WI和T2WI在预测骨质疏松症和异常骨量方面各自表现出显著的优势。以KNN为例，T1WI在测试集上的AUC最高（0.821），显著高于T2WI（AUC = 0.782）和T1WI+T2WI组合（AUC = 0.775）。相比之下，T2WI在预测异常骨密度方面表现更优，其AUC为0.942（T1WI和T1WI+T2WI分别为0.884和0.923）。
结论：我们对腰椎MRI序列预测异常骨密度和骨质疏松症的研究表明，预测效果取决于序列类型。T1WI特征在识别骨质疏松症方面更有效，而T2WI特征在预测异常骨密度方面更优，这突显了根据目标病理选择序列的重要性。

1 引言
骨质疏松症是一种系统性的骨骼退行性疾病，表现为骨微结构的逐渐恶化和骨矿物质密度（BMD）的降低，最终导致骨折风险增加（1, 2）。这种疾病对老年人群的影响尤为严重，其全球患病率预计会随着人口老龄化趋势而上升。流行病学模型预测，到2050年，中国将面临约599万例骨质疏松性骨折病例（3, 4）。早期识别高风险个体仍然是临床管理中的关键优先事项（5）。
目前的诊断方案主要依赖于放射学骨矿物质密度（BMD）评估。虽然双能X射线吸收测定法（DXA）仍然是金标准（6, 7），但其对腰椎的评估准确性经常受到解剖学因素的干扰，如小关节退化、椎体终板畸形和血管钙化（8, 9）。定量计算机断层扫描（QCT）通过体积BMD量化克服了这些限制（10）。然而，这种提高的精度是以比DXA高得多的电离辐射暴露为代价的（11）。实际上，作为最常用的无电离辐射成像方法之一，MRI在腰椎疾病的评估中得到了广泛的应用（11–13）。然而，由于骨组织中质子密度低和矿化基质中的信号衰减快，技术在可视化骨组织方面仍存在挑战。最近的研究发现骨髓脂肪分数（BMFF）是骨质疏松症严重程度的有希望的生物标志物（9）。基于化学位移编码的水-脂肪分离序列可以通过单 voxel磁共振波谱（MRS）提供准确的BMFF（14, 15）。然而，缺乏大规模研究来进一步验证其诊断性能（16）。此外，肥胖、炎症或代谢性疾病（如糖尿病）可能会影响脂肪量化的准确性（17）。因此，除了简单的BMFF平均值外，还需要探索更多定量特征。
人工智能（AI）在医学成像中的整合通过识别难以视觉量化的骨病变的独特纹理和形状特征，实现了变革性的进步（18, 19）。值得注意的是，基于AI的放射组学方法在其他骨科疾病（如骨坏死、骨关节炎和骨肿瘤）中也表现出令人鼓舞的性能（20, 21）。同样，AI在骨质疏松症的预测中也得到了广泛应用。Kang等人验证了通过T2WI检测骨质疏松症的机器学习分类器（22），而Zhao等人利用短轴mDixon MRI建立了预测骨质疏松风险的放射组学方法（23）。F. G.等人的补充工作开发了机器学习方法，从传统的T1WI/T2WI和平面X光片中估计骨矿物质密度并检测异常骨密度/骨质疏松症（24）。所有上述研究都取得了令人满意的结果（18）。然而，关于使用单独的T1WI、T2WI或它们的组合进行诊断性能的系统比较尚不存在。
在本研究中，我们引入了放射组学技术，基于T1WI和T2WI图像特征建立了一个骨质疏松症/异常骨密度预测模型（图1）。我们发现T1WI和T2WI在预测骨质疏松症/异常骨密度方面表现出不同的性能。这表明MRI序列的选择显著影响预测准确性，应根据特定的骨骼状况进行定制。基于MRI的策略在骨质疏松症的诊断中具有巨大潜力，同时避免了辐射暴露。

图1 分类模型架构的示意图，包括图像分割、特征提取和选择、模型构建和结果。

2 材料与方法
2.1 研究参与者
对2022年至2025年6月期间在河北医科大学第一医院接受腰椎MRI和QCT检查的患者进行了回顾性分析。经过筛选和评估后，186名候选患者中有26名被排除。符合纳入标准的160名患者被纳入研究：（1）年龄≥20岁的成年人；（2）在三个月内完成腰椎MRI和QCT检查。排除标准：（1）存在腰椎金属植入物、图像中有金属伪影或质量差影响分析；（2）有异常骨代谢的历史或疾病，如多发性骨髓瘤。收集了患者的临床信息，包括年龄、性别、体质指数（BMI）和BMD。根据QCT结果，所有患者被分为骨质疏松症/非骨质疏松症组或异常骨密度/非异常骨密度组：BMD > 120 mg/cm3表示正常骨矿物质密度，80–120 mg/cm3被认为是低骨量，BMD < 80 mg/cm3表示骨质疏松症。BMD是指L1-L3椎体BMD的平均值。这项回顾性研究获得了我们医院伦理委员会的批准，无需患者的知情同意。

2.2 图像采集
MRI使用Siemens Prisma 3.0T扫描仪进行。扫描参数如下：T1WI：TR 400 ms，TE 8.6 ms，FOV 280 × 280 mm，矩阵320 × 256，翻转角度130°，切片厚度4 mm，扫描时间38 s；T2WI：TR 3200 ms，TE 95 ms，FOV 280 × 280 mm，矩阵320 × 226，翻转角度160°，切片厚度4 mm，扫描时间125 s。
CT检查使用Philips Incisive 64层螺旋CT扫描仪进行（管电压：120 kV，管电流：150 mAs，FOV：150 mm × 150 mm）。扫描范围从L1延伸到L5。BMD（L1-L3）在Mindways QCT Pro系统（Mindways Software Inc., Austin, TX, USA）上测量：QCT Pro软件自动在L1-L3椎体的CT矢状图像上分割矩形感兴趣区域（ROIs），并在椎体中心的轴向图像上分割椭圆形ROI。ROI由具有超过3年经验的放射科医生验证和精炼以确保准确性。ROI内的体积BMD被量化（单位：mg/cm3的羟基磷灰石），最终BMD是L1-L3椎体的平均BMD。所有图像均来自河北医科大学第一医院放射科和核医学部的图片存档和通信系统（PACS），并以DICOM格式下载。

2.3 放射组学
2.3.1 图像分割
将矢状T1WI和T2WI腰椎图像导入Digital Intelligence Precision Surgery System（深圳旭东数字医学成像技术有限公司，http://ai.yorktal.com/login）。在2D矢状图像系列上逐层手动勾画出对应于L1–L3椎体的ROI；然后将顺序分割的2D ROI堆叠起来，构建覆盖整个L1–L3椎体的完整三维感兴趣区域（VOI）。一位具有3年肌肉骨骼成像经验的放射科医生手动精炼了完整的椎体轮廓，排除了椎体终板、椎旁软组织和相邻的椎间盘（图1）。所有精炼的轮廓由一位具有7年亚专科经验的资深放射科医生独立审查。在观察者之间存在分歧时，通过与第三位具有超过15年经验的放射科医生协商达成共识。

图1 腰椎MR图像中的代表性感兴趣区域（VOI）。（a）和（b）分别是T1WI和T2WI的矢状图像。

2.3.2 放射组学特征
使用Digital Intelligence Precision Surgery System提取放射组学特征。它包括七个常见的特征组：一阶特征；形状特征；灰度依赖矩阵；灰度共生矩阵；灰度长度矩阵；灰度大小区域矩阵；相邻灰度差异矩阵。从MR图像中提取了总共1688个定量成像特征。
为了降低特征维度，我们实施了三阶段特征选择流程。首先，使用VarianceThreshold去除方差较低的特征，阈值为0.8。接下来，通过SelectKBest选择与分类结果显著相关的特征，保留p < 0.05的特征。最后，为了进一步精炼特征集并减少过拟合，我们应用了最小绝对值收缩和选择运算符（Lasso）。Lasso使用L1正则化将弱相关或不相关特征的系数收缩到零。具有非零Lasso系数的特征被选入回归模型，并随后纳入最终的放射组学特征集。

2.3.3 预测模型开发与验证
开发了三种预测模型（图1）：T1WI模型、T2WI模型、T1WI+T2WI模型。T1WI模型：仅从T1WI序列中提取特征并构建模型。T2WI模型：仅从T2WI序列中提取特征并构建模型。T1WI+T2WI模型：同时从T1WI和T2WI序列中提取特征并构建组合模型。使用选定的特征和临床特征，构建了两个分类模型来预测异常骨密度或骨质疏松症。此外，本研究使用了六种机器学习算法：K最近邻（KNN）、支持向量机（SVM）、线性判别分析（LDA）、逻辑回归（LR）、随机梯度下降（SGD）和高斯朴素贝叶斯（Gaussian NB）。
为了训练和评估上述模型的性能，可用数据被随机分为用于训练和交叉验证的集合（70%）和用于测试模型性能的集合（30%）。在训练集内进行了10折交叉验证，以进行模型训练、三阶段放射组学特征选择和参数调整。通过在训练集上进行10折交叉验证获得优化的模型参数和特征集后，报告了在独立测试集上10次重复评估的平均性能指标作为最终模型性能。模型性能使用接收者操作特征曲线下面积（AUC）、准确性、特异性、敏感性和F1分数等指标进行评估。较高的AUC表示模型区分能力增强。（在摘要和补充材料中报告了在测试集上10次重复评估的平均性能指标，在结果文本中提供了一个代表性运行以供视觉比较。）

2.4 统计分析
使用IBM SPSS Statistics（版本27；Armonk, NY）进行统计分析。连续变量通过Shapiro-Wilk测试进行正态性评估，并通过Levene’s测试进行方差同质性评估。正态分布的数据（定义为两项测试均p > 0.05）使用独立样本t检验进行比较，结果表示为均值 ± 标准差（X ± S）。非正态分布的变量使用Mann-Whitney U检验进行分析，结果表示为中位数和四分位数范围（IQR）。分类变量通过Pearson’s卡方检验或Fisher’s精确检验进行评估（对于细胞计数< 5的情况），表示为频率计数和百分比。

3 结果
本研究共纳入160名患者，包括52名男性（31.25%）和108名女性（68.75%），年龄范围为20至86岁，BMI为11至50.8 kg/m2。在三个临床指标（年龄、性别和BMI）中，只有年龄和BMI在整个数据集上显示出骨质疏松症组（n = 89）和非骨质疏松症组（n = 71）之间的统计学显著差异（p < 0.05）。性别之间没有显著差异（p > 0.05；表1）。对于异常骨密度（n = 126）与非异常骨密度（n = 34）的分类也发现了类似的结果。

表1 分类任务
变量 OR 95%CI z值
骨质疏松症/非骨质疏松症 年龄 0.96 14 0.95 6 -0.96 9 -13.6 18 6
性别 1.04 42 0.86 6 -1.25 8 0.45 37 0.65
BMI 1.04 23 1.02 11 -1.06 38 3.96 12 0.00 0
异常骨密度/正常骨密度 年龄 1.02 32 1.01 6 -1.03 26 5 8 0 3
性别 1.10 82 0.94 20 -1.30 38 1.23 9 3 0.21 5
BMI* 0.96 67 0.94 9 -0.98 4 -3.6 5 0 0 3
临床数据的单变量分析。*BMI表示体质指数。
在10折交叉验证期间，获得了多个放射组学特征。例如，在骨质疏松症的检测方面，从T1WI中提取了1,688个定量放射组学特征用于骨质疏松症的检测。这些特征包括16个类别：小波-HHH、小波-LLH、小波-LHL、小波-HLL、小波-HLH、小波-HHL、小波-LLL、指数、对数、平方、平方根、梯度、lbp-2D、lbp-3D-m1和lbp-3D-k。为了减少冗余，特征选择分三个阶段进行：方差阈值法识别出383个非冗余特征（补充图1A）；SelectKBest保留了12个具有区分能力的特征（补充图1B）；LASSO回归最终确定了7个最优特征（图2）。所有选定的放射组学特征的合成显示，使用T1WI进行骨质疏松症预测的核心特征主要由与方差相关的指标主导，包括lbp-3D-m1_firstorder_Variance和exponential_glszm_ZoneVariance。相比之下，从T2WI中识别出的用于异常骨密度预测的核心特征包括峰度和非均匀性指标，即exponential_firstorder_Kurtosis、wavelet-LLL_glszm_SizeZoneNonUniformity和exponential_glszm_GrayLevelNonUniformity。这两个序列之间的核心特征完全不重叠，显示出明显的序列特异性分布模式（补充表3、4）。

图2 使用T1WI进行骨质疏松症10折交叉验证分类模型中的一个Lasso算法。（A）Lasso路径。（B）Lasso模型中的系数，选择了与最优alpha值对应的7个特征。

基于选定的放射组学特征和临床特征，构建了两个分类模型。如补充表1、2所示，T1WI和T2WI组在两个分类模型中表现出不同的优势。在骨质疏松症的预测中，基于T1WI的模型在所有机器学习算法中的表现显著优于T2WI和结合T1WI+T2WI的方法。所有机器模型的AUC-ROC值和准确率都高于T2WI组，考虑了在测试集上10次重复评估的平均值（图3A，表2，补充表1），其中KNN模型表现突出（图4，补充图2，AUC-ROC：T1WI为0.843 vs 0.771 vs 0.766，准确率分别为0.762 vs 0.707 vs 0.735）。然而，在异常骨密度的预测中，观察到了相反的结果。T2WI在所有机器学习模型中表现出一致的优势（图3B，表2），在敏感性、特异性和准确率方面均超过T1WI和T1WI+T2WI（补充表2）。特别是在KNN框架中，这一优势尤为明显，T2WI的AUC达到0.964，准确率为0.871，超过了T1WI-KNN（0.895/776）和T1WI+T2WI-KNN（0.909/0.787）（图5，补充图3）。此外，值得注意的是，结合T1WI+T2WI的方法在两个分类任务中的表现都不如单一序列模型。

图3 在测试集上（10次重复评估）骨质疏松症（A）或异常骨密度（B）预测的平均AUC。

图4 基于临床数据和T1WI（A，C）或T2WI（B，D）的六种机器学习模型预测骨质疏松症的接收者操作特征曲线和混淆矩阵。

表2 分类组 KNN SVM DALRSGD GaussianNB
骨质疏松症 T1WI 0.761 0.768 0.771 0.761 0.761 0.733
T2WI 0.724 0.744 0.733 0.759 0.721 0.715
T1WI+T2WI 0.748 0.745 0.748 0.751 0.750 0.660
异常骨密度 T1WI 0.785 0.829 0.692 0.834 0.731 0.759
T2WI 0.866 0.860 0.716 0.861 0.731 0.793
T1WI+T2WI 0.838 0.842 0.741 0.826 0.752 0.732
在测试集上（10次重复评估）两种分类模型的平均准确率。

图5 基于临床数据和T1WI（A，C）或T2WI（B，D）的六种机器学习模型预测异常骨密度的接收者操作特征曲线和混淆矩阵。

4 讨论

在本文中，我们开发并测试了几种机器学习模型（KNN、SVM、LDA、LR、SGD、Gaussian NB），这些模型可以利用常规MRI（T1WI、T2WI、T1WI+T2WI）和临床信息（年龄、BMI）来研究椎骨质量，共涉及160名患者。研究表明，预测异常骨密度和骨质疏松症的效果取决于序列：T1WI特征在骨质疏松症识别方面最为有效，而T2WI特征在异常骨密度预测方面最为理想。值得注意的是，结合两种序列的特征（T1WI+T2WI）产生的AUC值低于最佳的单一序列模型。

T1WI+T2WI组合未能提升性能，这与主流的多参数/序列成像趋势（4, 25–27）相矛盾，表明可能存在特征冗余而非互补性（28）。因此，可以使用现有的单一MRI序列（T1WI用于骨质疏松症，T2WI用于异常骨密度）来开发出稳健的预测模型，这可能简化临床应用，相比多序列方法（29）。本研究采用QCT作为骨密度评估的参考标准，这一选择是因为它相对于DXA具有固有的优势——DXA是大多数相关研究中的传统金标准。与依赖二维面积BMD测量的DXA不同，QCT能够进行三维体积量化，不受邻近组织干扰，从而准确反映真实的骨量状态。一项针对老年男性的临床研究证实，QCT的骨质疏松症检测率明显高于DXA（40.3% vs 13.2%，P<0.001）（30），另一项针对绝经后女性的研究也得出了相同的结论（57.9% vs 50.6%，P = 0.002）（31）。此外，最近的一项大规模荟萃分析进一步系统地验证了QCT在骨质疏松症检测方面的优越性（32）。QCT的这种基于证据的优越性为其预测模型的解剖学准确性和有效性提供了坚实基础。

骨稳态由成骨细胞的骨形成和破骨细胞的骨吸收之间的动态平衡维持（33）。骨质疏松症从根本上破坏了这种平衡，导致皮质变薄和骨小梁微结构恶化（34, 35）。骨量的下降表现为皮质孔隙率增加和骨小梁分离，这在机械上削弱了骨骼的完整性，同时为骨髓脂肪组织（BMAT）的侵入创造了空间（36, 37）。这种脂质沉积可能形成一个自我延续的循环：BMAT的侵入会通过改变骨髓中的调节因子（包括细胞因子和脂肪因子）来抑制成骨细胞的分化（38），从而进一步加剧骨质疏松症。T1WI在已确诊的骨质疏松症中的诊断优势可能源于其双重敏感性：短TE序列增强了脂肪-水的对比度，使BMAT扩展成为高信号（11, 13, 39）；BMAT的信号增强了骨小梁和微观骨结构的可见性（40）。T1加权成像（T1WI）的优越空间分辨率有助于精确表征直接反映骨小梁微结构恶化的椎骨纹理变化，这超出了直接视觉检查的分辨率限制。这为基于T1WI的骨质疏松症预测提供了机制基础：骨小梁分解和BMAT积累产生了可通过放射组学检测到的独特纹理特征。值得注意的是，这种优势与T1WI的核心选定特征密切相关——与方差相关的指标（量化信号异质性）（41）。方差量化了像素强度的分布，反映了由斑片状脂肪浸润引起的信号变化，而区域方差测量了连续均匀信号区域之间的异质性，捕捉了与骨髓脂肪转化相关的纹理变化。T1WI对脂肪的高敏感性放大了组织间的信号对比度，从而进一步增强了这些与方差相关的特征的可量化性。相反，T2WI在异常骨密度检测中的有效性可能通过水肿敏感途径实现（42）。早期骨丢失与缺血性骨髓损伤和促炎细胞因子激增有关，这些因素导致血管通透性增加，使血浆渗出，从而提高间质自由水含量（43, 44）。T2WI的长TE加权放大了水肿易发区域的信号（42）。因此，在骨小梁微结构变化或明显脂肪浸润之前，预骨质疏松症的微水肿会产生可检测的信号异质性。T2WI的核心特征——峰度和非均匀性指标（峰度：‘尖锐度’的度量；非均匀性：纹理不均匀性）（41）增强了这种诊断优势。峰度捕捉了由微水肿引起的局部极端信号，而非均匀性指标量化了由自由水含量改变引起的局部微观纹理紊乱。T2WI对自由水和水肿的固有敏感性放大了这些微妙的信号和纹理差异，使得这些特征成为早期异常骨密度的特异性定量标志。

尽管X射线和CT成像（包括低剂量和双能量CT）在基于机器学习的骨质疏松症预测中表现出色（5, 45–50），但它们固有的电离辐射暴露风险从根本上限制了其广泛临床应用，尽管也有使用MRI结合放射学图像取得优异结果的报道（24, 33）。相比之下，MRI作为一种无辐射的替代方案具有明显优势，但利用MRI进行椎骨质量评估的研究仍然相对较少（23, 24）。几项开创性研究取得了有希望的结果：Zhao等人使用基于深度学习的分割方法在mDixon图上（优于传统的T1W和T2WI序列），分别实现了0.925和0.899的AUC-ROC，用于预测异常骨密度和骨质疏松症（23）。Galbusera等人使用常规MRI（T1WI + T2WI）和放射学成功开发了用于骨疾病/骨质疏松症筛查的机器学习模型，显示出出色的预测能力（24）。Kü?ük?ilo?lu等人也在深度学习模型中结合了T1WI和CT成像，获得了非常好的预测结果（33）。值得注意的是，Kang等人进行了临床、放射组学和组合模型的比较分析，发现利用T2WI和临床数据的组合模型取得了最佳的预测性能（AUC = 0.913），强调了基于T2WI的机器学习在准确预测骨质疏松症方面的巨大潜力（22）。总的来说，这些研究证实T1WI和T2WI MRI序列都能够提供令人满意的骨质疏松症和异常骨密度预测性能（18）。然而，尽管取得了这些进展，仍存在一个关键问题：序列特定预测模型（T1WI vs T2WI）的相对有效性和潜在优势需要专门的研究和进一步探索。

最近的一项研究利用深度学习对腰椎的T1加权（T1WI）、T2加权（T2WI）和短时间反转恢复（STIR）MRI序列进行了骨质疏松症的估计（51）。这项研究直接比较了这三种序列在骨质疏松症诊断中的预测性能，报告T2WI为最佳序列。这一发现与本文的结果相反。我们推测，观察到的差异可能源于深度学习和机器学习方法之间的方法学差异。更具体地说，深度学习方法可能捕捉到与放射组学特征工程不同的纹理模式。此外，这些对比结果的普遍性和说服力可能受到引用研究中相对较小的样本量（n = 50）及其依赖于单一模型架构来比较T1WI和T2WI性能的限制。

总的来说，这些发现支持常规MRI可以有效进行骨质疏松症的机会性筛查。除了T1WI和T2WI序列之外，最近的进展还突显了机会性放射组学在各种成像模式中的更广泛潜力。例如，从腰椎MRI ADC图中获得的放射组学数据在检测骨质疏松症方面表现出高效率（52）。同样，在CT成像中，利用常规颅面扫描的clivus-radiomic特征的机器学习模型在机会性骨质疏松症预测方面也非常成功（53）。这项研究还发现，LDA和SGD模型在检测异常骨密度方面的性能指标存在显著差异：尽管获得了高AUC值（>0.9），但它们的准确率明显低于其他模型（例如KNN、SVM、LR）。这种现象主要归因于极端的类别不平衡（异常：正常 = 126: 34）。现有文献表明，某些算法无法准确捕捉不平衡数据集中的数据分布特征，从而影响了类别间的分类准确性（53）。特别是对于LDA，类别间协方差估计受到多数类的主导，这扭曲了模型的决策边界，导致正常骨密度案例的频繁误分类，从而降低了诊断准确性；对于SGD模型，严重的类别不平衡干扰了训练，因为随机小批量采样也严重偏向多数类，导致特征学习有偏，无法充分表征正常骨密度。这直接降低了SGD模型的诊断准确性和可靠性（55–57）。这些机制共同降低了不平衡数据条件下的模型准确性。相比之下，KNN和SVM由于其固有的算法优势而保持了稳健的性能：KNN依赖于欠采样，避免了数据分布的影响；SVM采用基于核的学习原理，依赖于关键边界样本（支持向量），而不是整个数据集，从而减少了多数类的影响（54, 58）。此外，LR通过显式类别加权（类别权重 = ‘平衡’）在数字智能精确手术系统中保持稳定。所有这些策略共同减轻了类别不平衡的不利影响，确保了可靠的分类性能。

这项研究有一些需要改进的局限性。首先，如前所述，数据不平衡对LDA和SGD的性能产生了不利影响。未来需要更多平衡样本量的前瞻性研究来解决这一限制并优化模型性能。其次，用于分类模型的数据集相对较小，可能影响模型的泛化能力。第三，缺乏外部验证数据进一步削弱了结果的可靠性。未来的工作应该招募更大的样本量并进行外部验证，以提高骨质疏松症预测的准确性和敏感性。

5 结论

这项初步研究表明，常规腰椎MRI序列可能具有序列依赖的诊断价值：T1WI在识别晚期骨丢失方面表现更好，而T2WI在异常骨密度预测方面更有效。我们的序列特定方法表明，在常规腰椎MRI期间进行机会性骨质疏松症筛查是可行的，避免了额外的QCT/DXA辐射暴露。