《Osteoporosis and Sarcopenia》：Federated learning for privacy-preserving opportunistic screening of lumbar-spine DXA-defined osteoporotic-level bone mineral density using chest radiographs: A multi-center independent validation study
编辑推荐：
目的：评估一种通过隐私保护联邦学习训练的人工智能系统在多中心独立验证环境中，利用常规胸部X光片对腰椎双能X线吸收测量法定义的骨质疏松水平骨密度进行机会性筛查的性能。方法：研究人员在一个包含5943例配对的胸部X光片和双能X线吸收测量法检查的数据集上，通过隐私保
目的：评估一种通过隐私保护联邦学习训练的人工智能系统在多中心独立验证环境中，利用常规胸部X光片对腰椎双能X线吸收测量法定义的骨质疏松水平骨密度进行机会性筛查的性能。方法：研究人员在一个包含5943例配对的胸部X光片和双能X线吸收测量法检查的数据集上，通过隐私保护联邦学习开发了一个深度学习模型，并在一个包含3007名接受同日胸部X光片和双能X线吸收测量法检查的成人的独立双中心队列中进行了验证。金标准为腰椎双能X线吸收测量法T值≤-2.5。主要指标为受试者工作特征曲线下面积，同时评估了敏感性和特异性。在同一队列中评估了仅图像和仅临床的消融模型，以区分影像学与人口统计学特征的贡献。结果：在3007例验证病例中，200例患者的T值≤-2.5。人工智能系统的受试者工作特征曲线下面积达到0.942，敏感性为91.0%，特异性为82.7%。此外，在不同研究中心、性别以及临床相关的老年人群分层中，模型的性能均保持稳定。在消融分析中，仅图像模型的受试者工作特征曲线下面积为0.931，仅临床基线模型为0.780；两者95%置信区间不重叠，支持影像学特征具有超越人口统计学的独立贡献。结论：这种基于联邦学习的人工智能在从标准胸部X光片中识别腰椎双能X线吸收测量法定义的骨质疏松水平骨密度方面表现出高度的判别力，并在不集中原始影像数据的情况下，展现了跨两个机构的时间可移植性。作为确诊性双能X线吸收测量法的分流辅助工具，它提供了一种可扩展且隐私保护的机会性筛查解决方案。
论文解读
研究背景与意义
骨质疏松症是一种以骨强度受损和微架构退化为特征的疾病，常被称为“沉默的疾病”。在老龄化社会中，其导致的脆性骨折带来了沉重的疾病负担。尽管双能X线吸收测量法是目前诊断骨质疏松症的金标准，但由于设备可用性有限、成本较高以及严格的报销标准，其在大规模筛查中的应用受到限制。相比之下，胸部X光片是临床上最常用的放射学检查之一，其中蕴含着丰富的椎体完整性和胸部骨质量信息，但目前这些信息尚未被充分利用。近年来，深度学习在利用常规胸部X光片预测骨密度方面展现出巨大潜力，但现有模型大多基于单中心集中式数据集训练，面临着数据隐私法规限制和跨机构泛化能力不足的挑战。为了解决这些问题，研究人员开展了此项研究，旨在通过联邦学习架构开发一种隐私保护的AI系统，用于从常规胸部X光片中识别骨质疏松水平的骨密度。
技术方法概述
研究人员采用回顾性多中心独立验证设计，在两个医疗机构收集了独立验证队列。在数据层面，研究纳入了成年患者同日进行的胸部X光片和腰椎双能X线吸收测量法扫描数据，以双能X线吸收测量法T值≤-2.5作为金标准。在模型开发方面，研究人员构建了TAIMedImg OsteoPredict系统，该系统整合了胸部X光片图像与患者人口统计学特征。其核心架构采用ConvNeXt骨干网络提取图像特征，并结合元数据嵌入层处理临床信息，最终通过全连接层回归连续的预测T值。为确保数据隐私，研究部署了基于PyTorch Lightning框架的联邦学习架构，原始数据保留在本地机构防火墙内，仅将模型梯度传输至中央服务器进行聚合。此外，研究人员还训练了仅图像和仅临床的消融模型，以量化影像学特征与人口统计学变量各自的贡献。
研究结果
验证队列的人口统计学特征
独立验证队列共纳入3007名成人患者，其中骨质疏松水平骨密度为6.7%。该队列主要来自健康检查项目参与者，年龄分布相对年轻且健康状况较好。女性患病率高于男性，且患病率随年龄增长呈明显上升趋势。
人工智能系统的诊断性能
TAIMedImg OsteoPredict系统在整体验证队列中表现出强大的判别能力，受试者工作特征曲线下面积达到0.942。在预设的分类阈值下，系统的敏感性为91.0%，特异性为82.7%，阳性预测值为27.3%，阴性预测值为99.2%。这表明该系统能够高效地从常规胸部X光片中筛查出高危患者。
消融分析与模型配置比较
消融分析显示，仅图像模型的受试者工作特征曲线下面积为0.931，而仅临床基线模型为0.780。两者的95%置信区间不重叠，证实胸部X光片衍生的影像学特征具有超越人口统计学变量的独立贡献。虽然多模态模型的受试者工作特征曲线下面积与仅图像模型相近，但加入人口统计学变量显著改善了操作阈值附近的特异性与阳性预测值，从而优化了临床分诊效率。
亚组分析与时间可移植性
模型在两个独立医疗中心均保持了稳定的判别性能。在不同性别和老年分层中，系统同样表现出良好的稳定性。特别是在60至79岁的主要筛查人群中，受试者工作特征曲线下面积达到0.897，敏感性高达93.98%，证明了该工具在目标人群中的适用性。
临床最相关的40至79岁人群性能
针对40至79岁这一临床最相关的机会性筛查目标人群，模型表现出色，受试者工作特征曲线下面积为0.932，敏感性为91.0%，特异性为79.9%，进一步确认了该模型在实际临床应用中的价值。
操作点敏感性分析
研究人员评估了不同操作阈值下的模型表现。在约登指数点即当前部署的操作点，每确诊一例所需进行的确诊性双能X线吸收测量法次数为3.7次。在高敏感性或高特异性参考点下，这一数值分别为4.5次和2.7次，展示了模型在不同临床需求下的灵活性与效率。
讨论与结论
讨论
本研究的核心发现是，基于联邦学习的深度学习系统能够利用常规胸部X光片高效筛查腰椎骨质疏松水平骨密度。与传统集中式训练相比，联邦学习不仅保护了患者隐私，还提升了模型在不同硬件设备和机构间的泛化能力。消融分析明确了影像学特征的独立价值，而多模态融合则优化了分诊决策。从生物学机制来看，深度学习能够从锁骨皮质厚度、肱骨近端骨小梁模式等胸部骨骼结构中提取系统性骨丢失的信号。在临床应用方面，该系统可作为确诊性双能X线吸收测量法的分流辅助工具，显著降低不必要的转诊。此外，研究人员指出，当人工智能与双能X线吸收测量法结果不一致时，可能反映了双能X线吸收测量法在腰椎退行性改变下的局限性，而人工智能捕捉到的胸部骨骼变化可能提供了更真实的骨质量信息。
结论
基于隐私保护联邦学习架构开发的TAIMedImg OsteoPredict深度学习系统，在识别腰椎双能X线吸收测量法定义的骨质疏松水平骨密度方面提供了卓越的筛查性能。通过避免原始患者影像数据的集中聚合，本研究证明可以在保持数据主权的同时在多机构间开发高判别力的人工智能模型。该系统在跨时间、双中心独立队列中得到验证，支持将常规胸部X光片作为确诊性双能X线吸收测量法的分流辅助工具进行机会性筛查，包括那些因无关适应症接受胸部X光片检查而可能未接受双能X线吸收测量法评估的个体。未来仍需通过前瞻性评估和外部机构验证来进一步确立其临床效用。
