基于人工智能的胸腰椎骨密度測定系統(tǒng)及其校準(zhǔn)研究

【中圖分類號】 R681【文獻(xiàn)標(biāo)識碼】 A DOI：10.12114/j.issn.1007-9572.2023.0919

【Abstract】BackgroundAs China's aging population continues to grow，the incidence of osteoporosis has been steadilyincreasing，posingasignificanthealthchallngefortheelderlypopulation.Furthermore，thehighcostofdiagnosingand treating osteoporosishighlightstheimportanceofearlydiagnosisasakeystrategytoreducebothpatientsuferingandhealthcare expenses.ObjectiveTheobjectiveofthisstudyis todevelopachestandabdominalbone mineraldensity（BMD）measurement model using conventionalchest and abdominal CTscans，with deep neural networksand machinelearning algorithms.The abdominalBMDmodelissubsequentlyemployedtocalibrate thechest BMDmeasurements，withthegoalofenablingautomated BMD measurement and thediagnosis of osteoporosis.MethodsThis retrospective studycollected 702 patients from Suining Central Hospital in Sichuan Province whounderwentboth chest CTscansandquantitativeCT（QCT）examinations during the periodfrom March 2O2 to June 2023（spaning appoximatelyoneyear）asresearch subjects.Among them，532 patients were randomly divided into a training set（426 cases， 80% ）and a validation set（106 cases， 20% ）.An additional 170 patients were included inthe internal testing set.Thisstudyused thediagnosticresultsof QCTas thereferencestandardand employs machinelearning methods such aslogisticregresion，stochastic gradient descent，andrandom forest toconstructosteoporosis classificationmodelsandbone densityregression models forthechestandabdomen，the established model was also tested internally. The performance of the classification models was evaluated using sensitivity，specificity，accuracy，precision，and areaunderthereceiver operating characteristiccurve（AUC），while regresion model performance was assessed using mean absolute error （ MAE ），root mean square error （ RMSE ），and R -squared. ResultsThe results showed that the AUC values forthe osteoporosisclasificationmodels inthevalidationsetwereO.948forthechest modelandO.968fortheabdominalmodel. The meanabsoluteerorsof the BMDregression modelswere10.534and9.449，respectively.Inthe internaltestingset，the AUC valuesfortheclasificationmodelswere0.905and0.926，andtheMAEfortheregresionmodelswere9.255and7.924， respectively.Aftercalibration，theAUCand MAEof thechest BMD measurementmodelinthevalidationset improved to 0.967 and10.511，respectively.ConclusionTheAI-basedchestandabdominal BMD measurementsdemonstrateahighcorrelation andconsistency with QCT measurements，efectively diagnosing osteoporosis.Thecalibrated chest BMD measurement model furtherenhancesdiagnosticperformanceandoferssignificantpotentialfortheapplicationofchest CTsans inopportunistic osteoporosis screening.

【Key words】Osteoporosis；Bone mineral density；CT plain scan； Deep learning；Machine learning

骨質(zhì)疏松是一種慢性骨骼疾病，其特點是低骨密度（bonemineraldensity，BMD）和骨組織微結(jié)構(gòu)惡化［1］。隨著我國老齡化趨勢的逐步加深，骨質(zhì)疏松的發(fā)病率逐漸攀升，且國內(nèi)外診斷及治療骨質(zhì)疏松的成本較為高昂，甚至有超過一半的骨質(zhì)疏松患者從未接受過骨質(zhì)疏松篩查［2]。因此骨質(zhì)疏松的早期診斷成了降低患者疾病痛苦及治療成本的關(guān)鍵。目前，骨質(zhì)疏松的早期診斷主要依靠骨密度的測定，常用的骨密度測量方法包括定量超聲系統(tǒng)（quantitativeultrasound system，QUS）、定量計算機斷層掃描（quantitativecomputedtomography，QCT）和雙能X射線骨密度儀（dualenergyX-ray absorptiometry，DXA）[3]。但由于QUS存在檢查準(zhǔn)確性能低，QCT需要模具及復(fù)雜的后處理，DXA忽略了骨骼的形態(tài)和結(jié)構(gòu)并且人均設(shè)備量不足等缺點，國內(nèi)外許多學(xué)者提出通過人工智能在CT平掃圖像上測量骨密度的方法克服上述檢查手段存在的局限性，但建立出來的模型通常只進(jìn)行了簡單的驗證校準(zhǔn)，模型診斷性能無法得到保證。根據(jù)《2018版中國定量CT（QCT）骨質(zhì)疏松癥診斷指南》［4]，由于QCT測量的是真正的體積骨密度，能夠更敏感地反應(yīng)骨質(zhì)疏松的骨密度變化，而且不受脊柱增生退變和血管鈣化等因素的影響，因此本研究以QCT的測量結(jié)果作為“金標(biāo)準(zhǔn)”，基于CT平掃圖像通過人工智能技術(shù)分別建立胸部和腹部骨密度測定模型，并通過腹部測定模型對胸部的骨密度測定進(jìn)行校準(zhǔn)，期望能為提升模型診斷性能的同時為胸部CT平掃在骨質(zhì)疏松癥的機會性篩查中的應(yīng)用發(fā)展提供潛力，更好促進(jìn)人工智能技術(shù)在骨質(zhì)疏松診斷方面的發(fā)展，并為其他疾病的診斷模型建立提供新的思路。

材料與方法

1.1實驗材料

1.1.1實驗對象：回顧性收集四川省遂寧市中心醫(yī)院2022年3月—2023年6月既行胸部CT檢查又完成QCT檢查的患者。排除標(biāo)準(zhǔn)：（1）既往有脊柱外科手術(shù)史；（2）存在椎體骨折；（3）骨島、骨囊腫或腫瘤等造成椎體局限性骨質(zhì)密度增高或減低；（4）嚴(yán)重脊柱側(cè)彎等脊柱畸形的患者；（5）運動、呼吸及金屬偽影等干擾造成CT圖像質(zhì)量不佳。本研究已通過遂寧市中心醫(yī)院倫理委員會批準(zhǔn)（倫理審批號：KYLLKS20230143）。1.1.2實驗設(shè)備及其相關(guān)參數(shù)：胸部CT掃描參數(shù)為120kV ， 60mA （自動調(diào)整），掃描層厚為 0.6mm ，掃描范圍從肺尖至肺底。QCT掃描參數(shù)為 120kV ， 35mA （自動調(diào)整），掃描層厚為 0.6mm 。腰椎CT數(shù)據(jù)經(jīng)CT工作站處理后傳至QCT-300Obonedensitometry2.0（ImageAnalysis，Inc）骨密度分析軟件計算出骨密度值（BMDQCT）。

1.2實驗方法

1.2.1CT圖像采集及QCT圖像后處理：根據(jù)排除標(biāo)準(zhǔn)，在影像存檔與通信系統(tǒng)（PictureArchivingandCommunicationSystem，PACS）中篩選檢索相關(guān)患者并將符合要求的患者胸部CT平掃圖像和QCT檢查原始平掃圖像以DICOM格式完整拷貝并導(dǎo)出，以患者姓名及掃描部位為文件夾名進(jìn)行分類匯總。原始的QCT平掃圖像均由CT后處理工作站進(jìn)行重建后，依次選取腰1（L1）～腰3（L3）椎體中心層，用盡可能大的感興趣區(qū)域（regionofinterest，ROI）測量患者下方含有標(biāo)準(zhǔn)密度材料體模的平均CT值，然后用同樣大小的ROI測量同層面椎體骨松質(zhì)的平均CT值，椎體ROI避開骨皮質(zhì)及椎基靜脈孔，最后由QCT-3000bonedensitometry2.0（ImageAnalysis，Inc.）骨密度分析軟件計算得到每塊椎體的骨密度及平均骨密度值。如遇骨折或存在病變的椎體，則選擇相近的椎體進(jìn)行測量；質(zhì)量控制分析采用校準(zhǔn)體模進(jìn)行，該校準(zhǔn)模型由模擬椎體成分的等效固體材料組成，3個標(biāo)準(zhǔn)椎體的骨松質(zhì)的羥基磷灰石密度分別為 50mg/cm³ 、 100mg/cm³ 和 200mg/cm³ 。CT圖像采集及QCT圖像后處理如圖1所示。

1.2.2數(shù)據(jù)收集：收集相關(guān)病例影像數(shù)據(jù)的同時記錄患者檢查號、性別、年齡以及QCT測量的BMD值。根據(jù)《2018版中國定量CT骨質(zhì)疏松癥診斷指南》4進(jìn)行診斷，如果BMD值小于 80mg/cm³ 診斷為骨質(zhì)疏松，80＼～120mg/cm³ 為骨量降低，超過 120mg/cm³ 為骨量正常。

注：A為定量計算機斷層掃描（QCT）測量中校準(zhǔn)體模和CT平掃圖像，B為QCT軟件的骨密度值計算界面。

注：A為腹部CT平掃矢狀面圖像，B中紅色區(qū)域為椎體分割腐蝕后的松質(zhì)骨。

1.2.3脊柱分割及提取：納入信息脫敏后的CT平掃影像序列，通過上海聯(lián)影智能醫(yī)療科技有限公司開發(fā)的科研平臺系統(tǒng)（uAIResearchPortal，uRP）進(jìn)行脊柱分割及特征提取，uRP是一款為科學(xué)研究而設(shè)計的醫(yī)學(xué)圖像綜合分析軟件，支持醫(yī)學(xué)圖像可視化及自動分割、配準(zhǔn)等高級分析技術(shù)。其中 上內(nèi)置的分割算法集成了VB-Net網(wǎng)絡(luò)預(yù)訓(xùn)練的分割模型， V-Net 通過使用殘差函數(shù)和跳躍連接，使其在分割精度方面優(yōu)于各種傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型［5]，而VB-Net基于 V-Net 架構(gòu)通過引入瓶頸結(jié)構(gòu)進(jìn)一步增強了其分割能力[6]。本研究基于uRP椎體分割模型得到椎體的自動分割結(jié)果，再對椎體自動分割結(jié)果進(jìn)行腐蝕 3mm 處理以獲取椎體的松質(zhì)骨，并將其作為ROI來提取后續(xù)建模所需特征。腹部CT平掃矢狀面圖像及椎體分割結(jié)果如圖2所示。1.2.4骨密度測定模型構(gòu)建：骨密度測定模型包括骨質(zhì)疏松分類模型和骨密度回歸模型，將QCT骨密度測量結(jié)果作為“金標(biāo)準(zhǔn)”，模型訓(xùn)練階段將每塊椎體松質(zhì)骨ROI的CT值均值作為椎體特征，并納入性別和年齡信息作為臨床特征，得到胸部和腹部的骨質(zhì)疏松分類和骨密度回歸模型。包含的主要過程為，計算分割后不同椎體ROI的平均 HU 值，將性別、年齡和ROIHU均值作為特征，QCT測量的骨密度分類結(jié)果作為標(biāo)簽分別輸入Bagging決策樹（bagging decision tree，BDT）、Logistic回歸（Logistic regression，LR）和隨機森林（randomforest，RF）三種算法建立骨質(zhì)疏松的分類模型；將QCT測量的骨密度值作為標(biāo)簽分別輸入BDT、隨機梯度下降（stochastic gradient descent，SGD）和RF三種算法建立骨密度回歸模型。特征輸人模型之前，均采用 Z 分?jǐn)?shù)標(biāo)準(zhǔn)化方法，將不同的數(shù)據(jù)轉(zhuǎn)換到相同的量級上，基于上述步驟構(gòu)建胸部模型（T5＼～T10）和腹部模型（T12＼～L2）。1.2.5模型校準(zhǔn)：由于“金標(biāo)準(zhǔn)”骨密度值是通過QCT測量L1至L3或相鄰椎體獲得，而胸部模型（T5＼～T10）只包含胸椎椎體特征，缺少腰椎的特征信息。因此，本研究基于胸腰椎不同椎體之間的 HU 值差異，對T5至L2的每塊椎體的平均 HU 值進(jìn)行回歸擬合，從而獲得胸腰椎體 HU 值的校準(zhǔn)曲線，通過該校準(zhǔn)曲線對胸部骨密度測定模型進(jìn)行校準(zhǔn)。具體校準(zhǔn)方法如下，首先計算T5至L2每塊椎體的平均 HU 值，利用線性回歸方法得到椎體間 HU 值的平均變化系數(shù) k ，通過系數(shù) k 和截距項Intercept計算校準(zhǔn)后的胸椎椎體 HU 值 HU_cal ，校準(zhǔn)公式如下：

HU_cal=k×vertebra_n+Intercrpt

其中 k 是椎體 HU 值的變化系數(shù)，vertebra是椎體序號（T5＼～L2：1＼～10），Intercrpt是截距項， HU_cal 是校正后的椎體 HU 值。通過以上校準(zhǔn)方法，將計算得到的腰椎特征參數(shù)應(yīng)用到胸部模型中，對胸部骨密度測定模型進(jìn)行校準(zhǔn)。整體實驗方法流程如圖3所示。

1.3 統(tǒng)計學(xué)方法

本研究中模型的構(gòu)建和統(tǒng)計分析采用Python3.7.4和R4.1.2軟件。符合正態(tài)分布的計量資料以（ ）表示，2組間比較采用獨立樣本 Φ_t 檢驗，非正態(tài)性分布的計量資料采用 M （ P₂₅ ， P₇₅ ）表示，3組間比較采用Kruskal-Wallis H 檢驗。計數(shù)資料用相對數(shù)表示，組間比較采用χ² 檢驗。繪制受試者工作特征曲線（receiver operatingcharacteristiccurve，ROC），計算ROC曲線下面積（areaunderthecurve，AUC）、靈敏度、特異度、準(zhǔn)確率、精確率和 F1 值來評估骨質(zhì)疏松分類模型的性能。通過平均絕對誤差（meanabsolute error， MAE ）均方根誤差（rootmeansquarederror，RMSE）、可釋方差得分（explainedvariancescore，EVS）及決定系數(shù)（ R. -Squared）來評估骨密度回歸模型的性能，并通過Pearson相關(guān)分析和Bland-Altman探討模型測定的BMD與“金標(biāo)準(zhǔn)”之間相關(guān)性。統(tǒng)計檢驗均為雙側(cè)檢驗，以 Plt;0.05 為差異有統(tǒng)計學(xué)意義。

2結(jié)果

2.1 人口統(tǒng)計資料情況

從PACS中共收集702例患者的CT平掃圖像，其中2022年3月一2023年2月的532例按照隨機分組的方式分為訓(xùn)練集426例（ 80% ）和驗證集106例（ 20% ）。2023年3月—2023年6月的170例作為模型的內(nèi)部測試集。訓(xùn)練集、驗證集與內(nèi)部測試集的年齡和性別比較，差異有統(tǒng)計學(xué)意義（ Plt;0.05 ）；訓(xùn)練集、驗證集與內(nèi)部測試集的骨密度比較，差異無統(tǒng)計學(xué)意義（ Pgt;0.05 ），見表1。

2.2骨密度測定模型的建立及評估

2.2.1骨質(zhì)疏松分類模型：BDT模型效果最佳，在胸部（T5＼～T10）和腹部（T12＼～L2）中驗證集AUC值分別為0.948和0.968，胸部分類模型經(jīng)校準(zhǔn)后（T5＼～T10-Cal）AUC值達(dá)到0.967，各分類模型的具體性能指標(biāo)結(jié)果如表2所示，BDT在驗證集中的ROC曲線如圖4所示。2.2.2骨密度回歸模型：SGD模型效果最佳，在胸部（T5＼～T10）和腹部（T12＼～L2）中驗證集MAE分別為10.534和9.449，胸部回歸模型經(jīng)校準(zhǔn)后（T5＼～T10-Cal）MAE值降低至10.511，各回歸模型的具體性能指標(biāo)結(jié)果如表3所示，以上差異均有統(tǒng)計學(xué)意義（ Plt;0.05 ）。

Pearson相關(guān)性分析和Bland-Altman圖也顯示出SGD模型與QCT測量的BMD之間具有良好的一致性。SGD在驗證集中的相關(guān)性曲線如圖5所示，Bland-Altman分析如圖6所示。

2.3骨密度測定模型的內(nèi)部測試

170例內(nèi)部測試集在T5＼～T10、T12＼～L2和T5＼～T10-Cal的BDT骨質(zhì)疏松分類模型中，AUC值分別為0.905、0.926和0.918，具體性能指標(biāo)結(jié)果如表4所示，R0C曲線如圖7所示：回歸模型MAE分別為9.255和7.924，各模型的具體性能指標(biāo)結(jié)果如表5所示，以上差異均有統(tǒng)計學(xué)意義（ Plt;0.05 ），同時根據(jù)Pearson相關(guān)性分析顯示表明，所開發(fā)的三種回歸模型與胸腹部測定模型之間具有良好的相關(guān)性，如圖8所示。

3討論

既往關(guān)于基于人工智能建立胸部和腹部骨密度測定并進(jìn)行校準(zhǔn)的研究并不多，國內(nèi)外大多數(shù)研究是對已建立的診斷模型進(jìn)行了簡單的驗證。PAN等［7]計算每塊椎體水平（T12＼～L2）圓柱體感興趣體積（volumeofInterest，VOI）內(nèi)的平均CT值，使用一次線性函數(shù)將其映射為QCT測量的BMD值（ mg/cm³ ），并通過線性回歸方式證明了兩者之間具有良好的相關(guān)性；JIN 等[8]將各胸椎、第一腰椎CT值與股骨頸、全髖、第一至第四腰椎的t評分聯(lián)系起來，通過統(tǒng)計學(xué)方式證明了CT值與t評分呈正相關(guān)，且CT值與第一腰椎、左髖關(guān)節(jié)t評分相關(guān)性較強；LI等[]通過測量腰椎的CT的HU平均值，并與BMD和DXA獲得的t評分進(jìn)行比較，生成ROC曲線驗證模型性能，證明了CT平均HU與BMD、T-score有較好的相關(guān)性；ROCK等[10]通過人工智能算法從胸部CT研究中獨立定位胸椎，并通過依賴于千伏峰值（kilovoltpeak，KVP）的頻譜校正自動計算平均HU值，表明了該人工智能算法可以成功地確定BMD與DEXA的適度相關(guān)；FANG等[\"]通過使用人工智能對患者椎體的自動分割，以人工勾畫的椎體區(qū)域作為對照。采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行骨密度計算，以QCT后處理的值作為分析標(biāo)準(zhǔn)，結(jié)果表明了對于四個腰椎（L1＼～L4）的自動分割和手動分割具有很好的相關(guān)性；RUHLING等[12]通過分析C2＼～T12各椎體的體積骨密度（volumetricBMD，vBMD）值與腰椎（L1＼～L3）平均值的關(guān)系，并采用線性回歸計算骨質(zhì)疏松癥的各椎體特異性臨界值，證明了頸胸椎vBMD值與腰椎（L1＼～L3）具有高度的相關(guān)性等。雖然國內(nèi)外研究基于不同方法測量骨密度取得了良好的診斷效果，促進(jìn)了人工智能技術(shù)在醫(yī)療行業(yè)的發(fā)展，但大部分研究僅局限于對骨密度診斷模型的建立，并沒有對模型進(jìn)行校準(zhǔn)來提高模型的準(zhǔn)確性。本研究在建立胸腰椎骨密度測定模型的基礎(chǔ)上進(jìn)一步校準(zhǔn)模型來提高模型的準(zhǔn)確性。

本研究基于人工智能建立胸部和腹部骨密度測定模型并對胸部模型進(jìn)行校準(zhǔn)，實現(xiàn)了自動化骨密度的測量和骨質(zhì)疏松的診斷。通過對患者相關(guān)信息及檢查圖像進(jìn)行收集分析、分類及后處理，通過科研平臺系統(tǒng)對收集到的圖像進(jìn)行脊柱分割及特征提取，將人工智能技術(shù)應(yīng)用于胸腹部平掃CT圖像中，通過決策樹、邏輯回歸、隨機梯度下降及隨機森林等方法構(gòu)建了骨質(zhì)疏松分類模型和骨密度回歸模型，同時對建立的模型進(jìn)行了內(nèi)部測試。研究結(jié)果表明，胸部和腹部的骨質(zhì)疏松分類模型測試集AUC分別為0.948和0.968，骨密度回歸模型MAE分別為10.534和9.449，校準(zhǔn)后的胸部骨密度測定模型AUC和MAE分別提高至0.967和10.511。基于人工智能的胸部和腹部骨密度測定結(jié)果與QCT測定的骨密度具有高度相關(guān)性及一致性，可有效診斷骨質(zhì)疏松癥。經(jīng)校準(zhǔn)后的胸部骨密度測定模型也進(jìn)一步提高了模型在診斷中的性能，為胸部CT平掃在骨質(zhì)疏松癥的機會性篩查中的應(yīng)用發(fā)展提供了巨大的潛力。

本研究使用QCT代替?zhèn)鹘y(tǒng)腰椎的DXA作為骨密度的參考標(biāo)準(zhǔn)，為建立的骨密度測定模型性能進(jìn)行更可靠的評估。雖然腰椎DXA是診斷骨質(zhì)疏松癥最常用的參考標(biāo)準(zhǔn)［13］，大多數(shù)研究也采用DXA來評估CT值對診斷骨質(zhì)疏松癥或低骨密度的效能[14-16]，但DXA的BMD值不是由CT值得出的，且DXA容易發(fā)生腹主動脈鈣化和脊柱退變[17]。本研究所建立的骨密度測定模型的BMD值與QCT獲得的BMD值具有良好的相關(guān)性與一致性，結(jié)果表明骨密度測定模型能夠?qū)崿F(xiàn)對椎體骨密度的高精度測量。

本研究通過胸腰椎 HU 值校準(zhǔn)曲線對胸部骨密度測定模型進(jìn)行校準(zhǔn)。由于胸部模型（T5＼～T10）只包含胸椎椎體的特征，缺少腰椎的特征信息，導(dǎo)致胸部模型對骨密度測定的準(zhǔn)確率相對較低，通過校準(zhǔn)方法，提升了胸部模型（T5＼～T10）骨密度測定的準(zhǔn)確性，這種校準(zhǔn)思路，尚未見國內(nèi)外有過類似文獻(xiàn)報道，這為隨后的疾病診斷模型校準(zhǔn)研究提供了新思路，可促進(jìn)診斷模型性能的改善及提升。

4小結(jié)

本研究基于機器學(xué)習(xí)和深度學(xué)習(xí)方法建立了胸腰椎骨密度測定模型，并使用胸腰椎 HU 值校準(zhǔn)曲線對已建立的胸部骨密度測定模型進(jìn)行校準(zhǔn)，提高了骨密度測定模型的性能，為人工智能在疾病診斷方向的應(yīng)用提供了新的思路。隨后也將繼續(xù)已有的研究成果，不斷完善人工智能在骨密度測定中的應(yīng)用，促進(jìn)人工智能技術(shù)在醫(yī)療行業(yè)的發(fā)展。本研究的骨密度測定模型能夠滿足胸部、腹部及胸腹部CT檢查患者的檢查需求，對相應(yīng)部位的椎體骨密度進(jìn)行全自動測量，相較于傳統(tǒng)的QCT及DXA檢查，該骨密度測定模型不需要繁瑣的操作流程及后處理，只需將檢查圖像輸入到模型集成的軟件中，便可得出測量結(jié)果，患者無需承受額外的X射線劑量，有利于無癥狀患者的早期篩查，減輕了患者的經(jīng)濟(jì)負(fù)擔(dān)；同時，本研究通過模型校準(zhǔn)對胸部骨密度測定模型的性能進(jìn)一步改善和提升，為其他疾病的診斷模型的建立及校準(zhǔn)提供了新的思路與方法。

本研究尚存在一些不足之處：（1）本研究是回顧性的，這可能導(dǎo)致選擇偏倚，未來可引入DXA等檢查結(jié)果進(jìn)行相關(guān)研究，未來的前瞻性研究是必要的。（2）本研究的方法是基于單個中心獲得的，研究結(jié)果及結(jié)論還需要進(jìn)行多中心、更大規(guī)模的訓(xùn)練及測試集數(shù)據(jù)進(jìn)行研究，以提高研究結(jié)果及結(jié)論的普適性、穩(wěn)健性和可重復(fù)性。（3）本研究結(jié)果及結(jié)論是基于CT平掃圖像作為輸入數(shù)據(jù)建立的，不能應(yīng)用于增強CT圖像，未來可以研究增強前后骨密度的變化情況并構(gòu)建相應(yīng)模型，甚至可以研究骨密度測定模型在MRI中的應(yīng)用價值。（4）本研究的校準(zhǔn)方式是簡單的線性擬合，校準(zhǔn)方式可能還需要考慮其他情況，以進(jìn)一步完善校準(zhǔn)方式。（5）校準(zhǔn)時沒有對年齡段進(jìn)行劃分，未來可探討基于人工智能下不同年齡段的胸腰椎骨密度測定模型及校準(zhǔn)情況的不同變化。

作者貢獻(xiàn)：熊鑫進(jìn)行論文的構(gòu)思與設(shè)計，數(shù)據(jù)的收集與整理，論文撰寫；李洋、石峰負(fù)責(zé)論文的修訂，統(tǒng)計學(xué)處理；李勇、趙林偉、付泉水、范小萍負(fù)責(zé)數(shù)據(jù)提供；楊連、段維、陳蓓協(xié)助數(shù)據(jù)的收集；楊國慶負(fù)責(zé)文章的質(zhì)量控制與審查，對文章整體負(fù)責(zé)，監(jiān)督管理。

本文無利益沖突。

參考文獻(xiàn)

[1]CHENGXG，YUANHS，CHENGJL，etal.Chinese expertconsensus on the diagnosis of osteoporosisbyimaging and bonemineral density[J].Quant Imaging Med Surg，2O2O，1O（10）：2066-2077.DOI： 10.21037/qims-2020-16.

[2]SMITH AD.Screening of bone density at CT：an overlookedopportunity[J].Radiology，2019，291（2）：368-369.DOI：10.1148/radiol.2019190434.

[3]SCHULTZ K，WOLFJM. Emerging technologies in osteoporosisdiagnosis[J].JHandSurgAm，2019，44（3）：240-243.DOI：10.1016/j.jhsa.2018.07.006.

[4］《中國定量CT（QCT）骨質(zhì)疏松癥診斷指南》工作組，程曉光，王亮，等.中國定量CT（QCT）骨質(zhì)疏松癥診斷指南（2018）[J].中國骨質(zhì)疏松雜志，2019，25（6）：733-737.D0I：10.3969/j.issn.1006-7108.2019.06.001.

[5]MILLETARIF，NAVABN，AHMADI SA.V-net：fullyconvolutional neural networks for volumetric medical imagesegmentation[C]//2O16 Fourth International Conference on 3DVision（3DV）.October25-28，2016，Stanford，CA，USA.IEEE，2016：565-571.D0I：10.1109/3DV.2016.79.

[6]HANM，YAOG，ZHANGW，etal.SegmentationofCTthoracicorgansbymulti-resolutionVB-nets[C].Proceedings of the 2019challenge onsegmentation of thoracic organsat risk in CT images.

[7]PANYL，SHIDJ，WANGHQ，etal.Automatic opportunisticosteoporosis screeningusing low-dose chest computed tomographyscans obtained for lung cancer screening［J].Eur Radiol，2020，30（7）：4107-4116.D0I： 10.1007/s00330-020-06679-y.

[8]YANG JR，LIAO M，WANG Y L，et al. Opportunistic osteoporosisscreening using chest CTwith artificial intellgence[J].OsteoporosInt，2022，33（12）：2547-2561.D0I：10.1007/s00198-022-06491- Δ^-y ：

[9]LI Y L，WONG K H，LAW M W，et al. Opportunistic screeningfor osteoporosis in abdominal computed tomography for Chinesepopulation[J].Arch Osteoporos，2018，13（1）：76.DOI：10.1007/s11657-018-0492-y.

[10] SAVAGE R H，VAN ASSEN M，MARTIN S S，et al. Utilizingartificial intelligence to determine bone mineral density via chestcomputed tomography[J].JThorac Imaging，2020，35（Suppl1）：S35-39.DOI： 10.1097/RTI.0000000000000484.

[11]FANG Y J，LI W，CHEN XJ，et al. Opportunistic osteoporosisscreening in multi-detector CT images using deep convolutionalneural networks［J].Eur Radiol，2021，31（4）：1831-1842.DOI：10.1007/s00330-020-07312-8.

[12]RUHLING S， SCHARR A，SOLLMANN N，et al. Proposeddiagnostic volumetric bone mineral density thresholds for osteoporosisand osteopenia at the cervicothoracic spine in correlation to thelumbar spine［J].Eur Radiol，2022，32（9）：6207-6214.DOI：10.1007/s00330-022-08721-7.

[13]MICHAEL LEWIECKIE，GORDONCM，BAIMS，et al.International society for clinical densitometry 2OO7 adult andpediatric official positions[J].Bone，2008，43（6）：1115-1121.DOI： 10.1016/j.bone.2008.08.106.

[14]KIMYW，KIMJH，YOONSH，et al.Vertebral bone attenuationon low-dose chest CT：quantitative volumetric analysis for bonefragility assessment[J].Osteoporos Int，2017，28（1）：329-338.DOI： 10.1007/s00198-016-3724-2.

[15]ROMMEEA，MURCHISONJT，PHANGKF，etal.Boneattenuation on routine chest CTcorrelateswith bone mineral densityon DXA in patients with COPD[J].JBone Miner Res，2012，27（11）：2338-2343.D0I：10.1002/jbmr.1678.

[16]PICKHARDTPJ，LEELJ，DEL RIO A M，et al. Simultaneousscreening for osteoporosis at CT colonography：bone mineral densityassessment using MDCT attenuation techniques compared with theDXA reference standard[J].JBone Miner Res，2011，26（9）：2194-2203.DOI： 10.1002/jbmr.428.

[17］ENGELKE K，LIBANATI C，LIU Y，et al. Quantitative computedtomography（QCT） of the forearm using general purpose spiralwhole-body CT scanners： accuracy， precision and comparisonwithdual-energyX-ray absorptiometry（DXA）[J].Bone，2009，45（1）：110-118.D0I：10.1016/j.bone.2009.03.669.（收稿日期：2024-07-10；修回日期：2025-01-25）（本文編輯：王世越）