《Frontiers in Endocrinology》：Screening opportunistic osteoporosis through multimodal techniques of hip joint CT images: exploring 2D and 3D deep learning, radiomics, clinical data, and their integration
编辑推荐：
摘要背景：骨质疏松是一种全身性骨病，其特征为骨量和骨密度降低，导致骨脆性增加和骨折易感性升高。通过髋关节CT进行机会性骨质疏松筛查具有重要临床意义。目的：本研究探索利用髋关节CT数据分析进行骨质疏松检测的方法，整合二维/三维深度学习、放射组学以及临床数据，以提
摘要背景：骨质疏松是一种全身性骨病，其特征为骨量和骨密度降低，导致骨脆性增加和骨折易感性升高。通过髋关节CT进行机会性骨质疏松筛查具有重要临床意义。目的：本研究探索利用髋关节CT数据分析进行骨质疏松检测的方法，整合二维/三维深度学习、放射组学以及临床数据，以提高诊断准确性和可靠性。方法：本研究共纳入567例具有髋关节CT图像的患者。利用临床数据（包括年龄、性别及其他相关因素）建立机会性骨质疏松筛查临床模型。在患者髋关节CT扫描上勾画感兴趣区域（ROI），并通过放射组学技术、二维深度学习技术和三维深度学习技术评估机会性骨质疏松筛查。在整合放射组学模型与临床模型后，建立基于髋关节CT的机会性骨质疏松筛查列线图模型。比较各模型效能，以确定基于髋关节CT的最佳机会性骨质疏松筛查模型。结果：在所有列线图模型（放射组学模型+临床模型）中，梯度提升（GradientBoosting）机器学习算法在验证组中表现最佳。该模型在验证组中筛查机会性骨质疏松的准确率为0.849，AUC为0.911。在所有二维深度学习模型中，densenet201在验证组中表现最佳，准确率为0.817，AUC为0.884。在三维深度学习模型中，三维ResNet34在验证组中表现最佳，准确率为0.806，AUC为0.889。结论：研究人员的成果展示了利用放射组学、列线图技术和深度学习技术分析患者髋部CT图像以促进骨质疏松评估的潜力。
**论文解读文章**
**研究背景与问题**
骨质疏松是一种以骨量和骨密度降低为特征的全身性骨病，导致骨脆性增加和骨折风险升高。随着人口老龄化加剧，骨质疏松及其并发症（如骨折）已成为重大公共卫生挑战。尽管双能X射线吸收法（DXA）是诊断骨质疏松的金标准，但实际筛查率很低，仅约三分之一的合格患者接受了DXA检测。由于骨质疏松常无症状直至发生骨折，许多患者仅在骨折后才进行DXA评估，这增加了患者不适和医疗负担。利用常规髋关节CT扫描进行“机会性”骨质疏松筛查，可在不增加额外费用和辐射暴露的前提下，实现早期诊断。然而，如何从CT图像中有效提取骨质疏松相关特征仍是关键问题。近年来，人工智能（AI）技术，特别是放射组学和深度学习，在医学影像分析中展现出巨大潜力。放射组学可提取人眼无法捕捉的定量影像特征，而深度学习能自动学习高级特征。但现有研究多聚焦于单一模态，缺乏对多模态技术（包括二维/三维深度学习、放射组学与临床数据）的系统整合与比较。因此，本研究旨在探索通过髋关节CT图像的多模态技术筛查机会性骨质疏松，并评估不同模型（临床模型、放射组学模型、列线图模型、二维深度学习模型、三维深度学习模型）的诊断效能，以确定最优筛查策略。
**研究内容与结论**
研究人员收集了来自两家医疗机构的567例患者数据，均在一月内接受髋关节CT和DXA骨密度评估，年龄≥50岁。以DXA T值≤-2.5为骨质疏松诊断标准。将患者按8:2随机分为训练集（381例）和内部验证集（93例），另从其他机构纳入93例作为外部验证集。研究人员首先利用性别和年龄构建临床模型（单因素及多因素回归分析显示两者与骨质疏松显著相关，P<0.01）。随后，在CT图像上手动勾画感兴趣区域（ROI），包括股骨颈、转子、Ward三角和转子间区，提取放射组学特征（经ICC筛选>0.9、U检验、mRMR、LASSO回归后保留15个特征），并整合临床数据得到列线图（Nomogram）模型。同时，采用二维深度学习（30种模型，如AlexNet、VGG、ResNet、DenseNet等，输入为ROI最大横截面面积）和三维深度学习（MedicalNet系列，包括3D-ResNet10/18/34/50/152/200等，输入为完整ROI三维块）进行训练。所有模型通过准确率、AUC、校准曲线和决策曲线分析评估性能，并采用DeLong检验比较AUC差异。该研究发表在《Frontiers in Endocrinology》。
**主要关键技术方法**
研究人员采用的关键技术方法包括：（1）基于患者年龄和性别的临床模型构建，通过单因素和多因素逻辑回归筛选显著变量；（2）放射组学特征提取（使用Pyradiomics模块，包括7类特征：形状、一阶、GLCM、GLRLM、GLSZM、NGTDM、GLDM），经ICC筛选、U检验、mRMR和LASSO回归进行特征选择；（3）临床模型与放射组学模型融合构建列线图模型，采用7种机器学习算法（LR、NB、SVM、RF、ET、GradientBoosting、MLP）训练；（4）二维深度学习：基于ROI最大横截面，使用30种预训练CNN模型（如DenseNet201、ResNet34等），SGD优化，100 epochs；（5）三维深度学习：基于完整ROI三维块，使用MedicalNet系列预训练3D-ResNet模型，同样SGD优化，100 epochs；（6）Grad-CAM可视化技术生成注意力热图。样本来源：两家医院，训练集381例，内部验证集93例，外部验证集93例。
**研究结果**
**Screening and efficacy of clinical models**：通过单因素和多因素分析，性别和年龄与骨质疏松显著相关（P<0.01），Spearman相关系数分别为0.238和0.282。基于此建立的临床模型在验证组中最佳准确率为0.753，AUC为0.796。
**Screening and efficacy of radiomic models**：经筛选保留15个放射组学特征，放射组学模型在验证组中最佳准确率为0.882，AUC为0.926，显著优于临床模型。
**Effectiveness of the nomogram model**：整合放射组学与临床模型后，GradientBoosting算法在验证组中表现最佳，准确率0.849，AUC为0.911，且在所有机器学习算法中均优于单纯临床模型（P<0.05）。
**Effectiveness of 2D deep learning models**：在30种二维深度学习模型中，DenseNet201在验证组准确率0.817，AUC 0.884；轻量级模型SqueezeNet1_1准确率0.753，AUC 0.810。Grad-CAM热图显示模型重点关注股骨颈与转子间区域。
**Effectiveness of 3D deep learning models**：三维深度学习模型中，3D-ResNet34在验证组准确率0.806，AUC 0.889。
**Comparison of the efficacy of nomogram model, radiomics model, and clinical model**：在所有机器学习算法中，列线图模型的AUC均显著高于临床模型（P<0.05），且与放射组学模型相比无显著差异。
**Comparison of model efficiency**：DeLong检验显示，在外部验证组中，最佳列线图模型（AUC=0.911）与最佳二维深度学习模型（DenseNet201，AUC=0.884）及最佳三维深度学习模型（3D-ResNet34，AUC=0.889）之间AUC差异无统计学意义（P>0.05），但训练组中二维与三维深度学习模型间差异显著（P<0.05）。
**讨论与结论**
讨论部分指出，放射组学模型和深度学习模型均能有效识别骨质疏松，但列线图模型通过整合临床信息进一步提升了诊断效能，且在不同机器学习算法中表现稳定。二维与三维深度学习性能相当，提示基于ROI最大横截面的二维分析已能捕获大部分骨质疏松相关影像信息。三维模型参数更多，在小样本下易过拟合，未展现显著优势。研究局限性包括：单中心回顾性设计、手动ROI勾画、样本量相对较小，未来需开展多中心前瞻性验证及自动分割方法探索。结论部分翻译如下：
**结论**：研究人员的成果表明，基于髋关节CT ROI区域的放射组学技术结合性别与年龄整合的列线图模型，可考虑用于机会性骨质疏松筛查。这一结论适用于多种机器学习算法，以及二维深度学习模型（如DenseNet201）和三维深度学习模型（如ResNet34）。然而，在临床实施前需要进行前瞻性验证和校准。
