摘要
自动化腰椎计算机断层扫描的Hounsfield单位测量可辅助进行骨质疏松症的筛查，但不同的医学数字成像与通信标准格式的输入数据往往会在测量前干扰自动化工作流程。我们评估了一种基于本地Qwen2.5-VL-7B视觉语言模型的人工智能前端系统，用于在保持原有单层腰椎CT HU测量流程不变的情况下，实现路径规划、输入处理以及基于HU值的DICOM数据视野/方向调整功能。该视觉语言模型仅负责路径规划和输入处理任务。在20例富士胶片公司的试点研究中，使用该前端系统辅助处理的样本中，能够获得有效HU数值的比例高于直接处理的样本（12/20对比5/20）；同时，自动处理的成功案例与事后通过ImageJ软件（版本1.54g）进行的手动测量结果高度一致（ICC(A,1) = 0.997；MAE = 4.64 HU）。进一步的公开DICOM数据测试也表明，该系统在面对不同类型的数据集时仍能保持良好的工作稳定性。这些研究结果支持采用以实际应用为导向的前端策略，以提高自动化腰椎CT HU测量的可追溯性和稳定性，同时无需改变原有的后续测量流程。
