人工智能輔助診斷骨質疏松及預測骨折的研究進展

段 維 楊國慶 楊 連

1.川北醫學院醫學影像學院，四川南充 637000；2.四川省遂寧市中醫院，四川遂寧 629000

骨質疏松癥是一種全身性代謝性骨病，其特征是骨礦物質密度降低和骨微結構破壞，導致骨脆性及骨折風險增加[1]。骨質疏松癥在早期缺乏明顯癥狀，發病較為隱匿，多數骨質疏松性骨折患者未進行過骨密度篩查。骨折是骨質疏松癥的嚴重后果，具有較高的致殘率和致死率，對個人、家庭及社會而言無疑都是巨大的負擔。據統計，全球約有2 億婦女患有骨質疏松癥，其中50 歲以上婦女約有1/3 的人發生過骨質疏松性骨折[2]。骨質疏松癥是一個全球性公共衛生問題，目前早期篩查及治療工作仍不足。本文總結了人工智能技術輔助診斷骨質疏松癥及預測骨質疏松性骨折的研究新進展。

1 骨質疏松癥的診斷

骨質疏松癥的診斷主要根據骨密度值的測量，目前有多種檢查技術已用于骨質疏松癥患者骨質質量評估[3]。主要包括雙能X 線吸收法（dual energy X-ray absorptiometry，DXA）、定量計算機斷層掃描（quantitative computed tomography，QCT）、定量超聲（quantitative ultrasound，QUS）、磁共振成像（magnetic resonance imaging，MRI）等。

1.1 DXA

DXA 是對患者髖部、腰椎等部位進行骨密度的測量，是目前診斷骨質疏松癥的“金標準”。對于絕經后女性及老年男性，根據2022 年版原發性骨質疏松癥診療指南，T 值≥-1.0 為正常；T 值＞-2.5～＜-1.0為骨量下降；T 值≤-2.5 為骨質疏松；T 值≤-2.5 同時伴有脆性骨折為嚴重骨質疏松[4]。DXA 測量的是面積骨密度，所測的值包括皮質骨和松質骨，當合并骨折、血管鈣化、骨質增生時所測的值會偏高，從而影響診斷結果[5]。

1.2 QCT

QCT 是在CT 上通過體模和專業的測量軟件測量骨密度值的一種檢查技術。相較于DXA 的二維測量，QCT 測量的是體積骨密度，可不受骨質增生、主動脈粥樣硬化等影響，較DXA 準確性更高[6]。根據2022年版中國指南，QCT 診斷骨質疏松的標準：骨礦物質密度＞120 mg/cm3為正常，骨礦物質密度80～120 mg/cm3為骨量減少，骨礦物質密度＜80 mg/cm3則為骨質疏松[4]。但因QCT 的高輻射劑量和高成本限制了其作為骨質疏松癥篩查工具的使用。

1.3 QUS

QUS 通過骨骼對超聲波的衰減來反映其骨密度的變化，通常用于橈骨、指骨、跟骨等部位，其中跟骨的測量在預測骨折風險方面有較大的價值[7]。QUS 具有便攜、經濟及無輻射等優勢，可作為DXA 的一個替代方案。但由于不同設備之間的測量結果存在較大差異，并且目前缺乏支持其使用的強有力的循證證據，QUS 在臨床工作中應用較少[8]。

1.4 MRI

MRI 的軟組織分辨率較高，可通過周圍脂肪信號對骨小梁網絡進行成像，在一定程度上能夠了解松質骨的內部結構[9]。與CT 比較，MRI 在骨結構成像和骨骼微結構評估方面更具優勢，同時還無電離輻射。有研究表明，MRI 可以檢測到骨質疏松癥患者的微結構退化，并且在評估骨折風險方面可能有超出骨密度值的附加價值[10]。但由于MRI 費用高、操作復雜耗時等原因，不利于在人群中進行大面積篩查。

2 人工智能

人工智能是計算機科學的一個分支，是指賦予機器推理和執行功能的能力，使之能夠模擬人類思維并解決問題[11]。機器學習是人工智能的核心子領域，常用機器學習算法包括深度學習、支持向量機、決策樹、人工神經網絡等[12]。近年來，人工智能的飛速發展為醫療領域帶來了革命性的變化，醫學影像與人工智能的結合也已成為研究熱點。基于人工智能的計算機輔助診斷系統已在很多疾病的檢測中都體現出了較好的性能，如腦腫瘤、乳腺癌、肝癌等疾病的檢測[13-15]。人工智能與醫學影像的結合在骨質疏松癥的診斷及骨折預測方面具有廣泛應用前景。

2.1 人工智能技術輔助診斷骨質疏松癥的應用

醫學影像學在骨質疏松癥診斷領域占主導地位。近年來，已有一些研究將人工智能與影像數據結合輔助診斷骨質疏松癥。本文總結了現有人工智能技術結合影像學輔助診斷骨質疏松癥的研究進展。

2.1.1 人工智能與X 線的結合DXA 作為診斷骨質疏松癥的“金標準”，目前已在臨床中廣泛應用；骨質疏松癥在X 線平片上表現為骨小梁稀疏、骨密度降低，X 線平片雖無法敏感顯示早期骨量丟失，但與人工智能結合有望實現骨質疏松癥的早期篩查[16]。Hussain等[17]提出了一種基于DXA 的計算機輔助診斷骨質疏松癥技術，能夠實現DXA 診斷的自動化，研究表明，基于深度學習的圖像分割技術有望提高疾病診斷的準確性和效率。Yang 等[18]開發了一個深度學習模型，用于在DXA 圖像中自動準確地分割尺、橈骨，有助于更準確地測量骨密度值。Mao 等[19]提出了一種基于腰椎X 線片的卷積神經網絡模型，實現了骨密度值的自動分類及骨質疏松癥的機會性篩查。Wani 等[20]采用了一種基于卷積神經網絡的遷移學習方法，在膝關節X 線圖像上進行骨質分類，最佳準確率達到了91.1%。Hsieh 等[21]提出了一種自動化工具，能夠在平片上識別骨折，預測骨質疏松癥，與DXA 的結果相比較，其對骨質疏松的陽性或陰性預測值達到了95%。以上研究結果表明，通過與人工智能技術的結合，提升了DXA 診斷骨質疏松癥的準確性，實現了在X 線平片上早期診斷骨質疏松癥的可能。人工智能技術用于醫學圖像的處理可實現診斷過程中的自動化，縮短一定時間及減少人力成本。但目前相關研究模型應用范圍較為局限，模型尚不能應用于存在骨腫瘤、骨骼畸形等病變的情況，未來可進一步開發相關模型擴大臨床應用范圍。

2.1.2 人工智能與CT 的結合CT 也是診斷骨質疏松癥的常用檢查方法，隨著人工智能的飛速發展，常規CT 與人工智能結合實現了骨質疏松癥早期篩查，同時降低了射線暴露。Yang 等[22]利用人工智能自動測量常規胸部CT 各椎體的CT 值，以此快速篩查骨質疏松癥高危患者。Sebro 等[23]利用胸部CT 圖像中所有骨骼的CT 值構建機器學習模型來預測骨質疏松，研究表明，所構建的模型可實現骨質疏松癥的機會性篩查，并且基于支持向量機構建的模型性能最佳。陳劉萍等[24]基于胸部低劑量CT 構建了人工智能骨密度測量系統，該系統預測的骨密度與QCT 測定結果高度相關，診斷骨質疏松癥的靈敏度和特異度為0.989、0.905。Chen 等[25]基于胸部低劑量CT，結合機器學習分割和放射紋理分析開發了一種骨質疏松篩查工具，該方法的總體測試預測精度為0.90±0.05，結果表明，機器學習與影像組學結合對骨質疏松癥早期篩查有著重要價值。常規CT 結合人工智能技術可提高骨質疏松癥的就診率和療效，減輕骨質疏松癥患者的經濟和社會負擔。目前多數研究數據的來源較為局限，未來可采用多中心、多供應商的數據集進行訓練以進一步提高模型性能及普適性。

2.1.3 人工智能與MRI 的結合MRI 組織對比度高，常用于軟組織成像，較X 線平片和CT 在顯示骨髓早期改變方面更加靈敏，有助于預測骨折風險。Yabu 等[26]基于卷積神經網絡構建了能夠在MRI 圖像上自動檢測骨質疏松性骨折模型，其準確率達到了88%，能與經驗豐富的外科醫生相媲美。Mu 等[27]研究發現，基于卷積神經網絡的磁共振波譜技術在評估骨質方面具有良好的優勢，可為骨質疏松癥的評估提供有效的輔助診斷方法。MRI 在骨質評估及骨折風險預測方面有著重要價值，但目前相關研究規模較小，其在廣泛臨床實踐中的應用有待進一步驗證。

2.2 人工智能技術在骨折預測領域的應用

骨質疏松性骨折發生風險的準確預測有利于早期干預并降低骨折發生率，目前已有一些研究應用人工智能模型預測骨折風險，相較于傳統方法，都有較好的性能。Ulivieri 等[28]開發了一種基于人工神經網絡的骨折預測模型，結合DXA 圖像識別易發生骨質疏松性骨折患者，預測準確率達到了79.36%。Kong 等[29]使用了CatBoost、支持向量機、logistic 回歸三種不同的模型結合相關臨床因素預測骨質疏松性骨折，研究發現基于CatBoost 的機器學習方法開發的模型性能優于骨折風險預測工具及兩種傳統的機器學習模型。Zhang 等[30]利用QCT 圖像中的主要參數開發了有效的機器學習模型評估老年男性股骨近端強度，可提高無創評估患者特定骨折風險的能力。Bodden 等[31]基于卷積神經網絡模型在常規CT 中自動提取骨密度值來預測椎體骨折的發生，該預測模型性能良好，結果表明，骨密度值的機會性篩查對預防椎體骨折發生有著重要意義。人工智能模型在預測脆性骨折方面有著很大潛力，在臨床中可用于常規骨骼健康評估，幫助臨床醫生制訂個性化的治療干預措施。但目前大多數研究是回顧性研究，未來更大規模、高質量的前瞻性研究是必要的。

3 小結與展望

本文主要梳理了骨質疏松癥常用檢查方法及回顧了人工智能在骨質疏松癥中的應用。X 線平片、CT、MRI 等影像學檢查及DXA、QCT 等骨密度測量結果是骨質疏松癥診斷、風險預測和療效評價的主要依據[4]。常規CT、X 線平片與人工智能結合有利于實現骨質疏松癥的廣泛篩查，DXA、QCT 檢查技術與人工智能的結合可提高診斷效率及準確度，MRI 與人工智能結合有望將MRI 數據應用于臨床實踐。

研究證明，人工智能在骨質疏松癥輔助診斷及脆性骨折預測等方面都有較好的性能。通過與影像學檢查技術的結合，減少了二次檢查費用及輻射暴露，提升了診療效率。雖然目前臨床上已有了一定相關研究，但依然存在一些局限性：缺乏標準的大規模公共數據庫，同時數據挖掘也因醫學數據的隱私性等問題受到限制；以及算法本身存在的局限性等。建設高質量、多中心、大規模的骨質疏松癥樣本庫，收集大量骨密度信息等機器學習數據，是人工智能在骨質疏松領域深度發展的重點。

現階段多數研究集中于骨質疏松癥的診斷及脆性骨折預測方面，未來可更多地進行骨質疏松癥相關影響因素的研究，有助于實現疾病早期預防及高危人群早期干預。未來也可將人工智能技術進一步應用于個體化預防指導、精準治療方案制訂、療效評估及骨質疏松患者長期健康管理等方面，使人工智能更大程度地造福人類和社會。

利益沖突聲明：本文所有作者均聲明不存在利益沖突。