人工智能辅助诊断骨质疏松及预测骨折的研究进展

段 维 杨国庆 杨 连

1.川北医学院医学影像学院，四川南充 637000；2.四川省遂宁市中医院，四川遂宁 629000

骨质疏松症是一种全身性代谢性骨病，其特征是骨矿物质密度降低和骨微结构破坏，导致骨脆性及骨折风险增加[1]。骨质疏松症在早期缺乏明显症状，发病较为隐匿，多数骨质疏松性骨折患者未进行过骨密度筛查。骨折是骨质疏松症的严重后果，具有较高的致残率和致死率，对个人、家庭及社会而言无疑都是巨大的负担。据统计，全球约有2 亿妇女患有骨质疏松症，其中50 岁以上妇女约有1/3 的人发生过骨质疏松性骨折[2]。骨质疏松症是一个全球性公共卫生问题，目前早期筛查及治疗工作仍不足。本文总结了人工智能技术辅助诊断骨质疏松症及预测骨质疏松性骨折的研究新进展。

1 骨质疏松症的诊断

骨质疏松症的诊断主要根据骨密度值的测量，目前有多种检查技术已用于骨质疏松症患者骨质质量评估[3]。主要包括双能X 线吸收法（dual energy X-ray absorptiometry，DXA）、定量计算机断层扫描（quantitative computed tomography，QCT）、定量超声（quantitative ultrasound，QUS）、磁共振成像（magnetic resonance imaging，MRI）等。

1.1 DXA

DXA 是对患者髋部、腰椎等部位进行骨密度的测量，是目前诊断骨质疏松症的“金标准”。对于绝经后女性及老年男性，根据2022 年版原发性骨质疏松症诊疗指南，T 值≥-1.0 为正常；T 值＞-2.5～＜-1.0为骨量下降；T 值≤-2.5 为骨质疏松；T 值≤-2.5 同时伴有脆性骨折为严重骨质疏松[4]。DXA 测量的是面积骨密度，所测的值包括皮质骨和松质骨，当合并骨折、血管钙化、骨质增生时所测的值会偏高，从而影响诊断结果[5]。

1.2 QCT

QCT 是在CT 上通过体模和专业的测量软件测量骨密度值的一种检查技术。相较于DXA 的二维测量，QCT 测量的是体积骨密度，可不受骨质增生、主动脉粥样硬化等影响，较DXA 准确性更高[6]。根据2022年版中国指南，QCT 诊断骨质疏松的标准：骨矿物质密度＞120 mg/cm3为正常，骨矿物质密度80～120 mg/cm3为骨量减少，骨矿物质密度＜80 mg/cm3则为骨质疏松[4]。但因QCT 的高辐射剂量和高成本限制了其作为骨质疏松症筛查工具的使用。

1.3 QUS

QUS 通过骨骼对超声波的衰减来反映其骨密度的变化，通常用于桡骨、指骨、跟骨等部位，其中跟骨的测量在预测骨折风险方面有较大的价值[7]。QUS 具有便携、经济及无辐射等优势，可作为DXA 的一个替代方案。但由于不同设备之间的测量结果存在较大差异，并且目前缺乏支持其使用的强有力的循证证据，QUS 在临床工作中应用较少[8]。

1.4 MRI

MRI 的软组织分辨率较高，可通过周围脂肪信号对骨小梁网络进行成像，在一定程度上能够了解松质骨的内部结构[9]。与CT 比较，MRI 在骨结构成像和骨骼微结构评估方面更具优势，同时还无电离辐射。有研究表明，MRI 可以检测到骨质疏松症患者的微结构退化，并且在评估骨折风险方面可能有超出骨密度值的附加价值[10]。但由于MRI 费用高、操作复杂耗时等原因，不利于在人群中进行大面积筛查。

2 人工智能

人工智能是计算机科学的一个分支，是指赋予机器推理和执行功能的能力，使之能够模拟人类思维并解决问题[11]。机器学习是人工智能的核心子领域，常用机器学习算法包括深度学习、支持向量机、决策树、人工神经网络等[12]。近年来，人工智能的飞速发展为医疗领域带来了革命性的变化，医学影像与人工智能的结合也已成为研究热点。基于人工智能的计算机辅助诊断系统已在很多疾病的检测中都体现出了较好的性能，如脑肿瘤、乳腺癌、肝癌等疾病的检测[13-15]。人工智能与医学影像的结合在骨质疏松症的诊断及骨折预测方面具有广泛应用前景。

2.1 人工智能技术辅助诊断骨质疏松症的应用

医学影像学在骨质疏松症诊断领域占主导地位。近年来，已有一些研究将人工智能与影像数据结合辅助诊断骨质疏松症。本文总结了现有人工智能技术结合影像学辅助诊断骨质疏松症的研究进展。

2.1.1 人工智能与X 线的结合DXA 作为诊断骨质疏松症的“金标准”，目前已在临床中广泛应用；骨质疏松症在X 线平片上表现为骨小梁稀疏、骨密度降低，X 线平片虽无法敏感显示早期骨量丢失，但与人工智能结合有望实现骨质疏松症的早期筛查[16]。Hussain等[17]提出了一种基于DXA 的计算机辅助诊断骨质疏松症技术，能够实现DXA 诊断的自动化，研究表明，基于深度学习的图像分割技术有望提高疾病诊断的准确性和效率。Yang 等[18]开发了一个深度学习模型，用于在DXA 图像中自动准确地分割尺、桡骨，有助于更准确地测量骨密度值。Mao 等[19]提出了一种基于腰椎X 线片的卷积神经网络模型，实现了骨密度值的自动分类及骨质疏松症的机会性筛查。Wani 等[20]采用了一种基于卷积神经网络的迁移学习方法，在膝关节X 线图像上进行骨质分类，最佳准确率达到了91.1%。Hsieh 等[21]提出了一种自动化工具，能够在平片上识别骨折，预测骨质疏松症，与DXA 的结果相比较，其对骨质疏松的阳性或阴性预测值达到了95%。以上研究结果表明，通过与人工智能技术的结合，提升了DXA 诊断骨质疏松症的准确性，实现了在X 线平片上早期诊断骨质疏松症的可能。人工智能技术用于医学图像的处理可实现诊断过程中的自动化，缩短一定时间及减少人力成本。但目前相关研究模型应用范围较为局限，模型尚不能应用于存在骨肿瘤、骨骼畸形等病变的情况，未来可进一步开发相关模型扩大临床应用范围。

2.1.2 人工智能与CT 的结合CT 也是诊断骨质疏松症的常用检查方法，随着人工智能的飞速发展，常规CT 与人工智能结合实现了骨质疏松症早期筛查，同时降低了射线暴露。Yang 等[22]利用人工智能自动测量常规胸部CT 各椎体的CT 值，以此快速筛查骨质疏松症高危患者。Sebro 等[23]利用胸部CT 图像中所有骨骼的CT 值构建机器学习模型来预测骨质疏松，研究表明，所构建的模型可实现骨质疏松症的机会性筛查，并且基于支持向量机构建的模型性能最佳。陈刘萍等[24]基于胸部低剂量CT 构建了人工智能骨密度测量系统，该系统预测的骨密度与QCT 测定结果高度相关，诊断骨质疏松症的灵敏度和特异度为0.989、0.905。Chen 等[25]基于胸部低剂量CT，结合机器学习分割和放射纹理分析开发了一种骨质疏松筛查工具，该方法的总体测试预测精度为0.90±0.05，结果表明，机器学习与影像组学结合对骨质疏松症早期筛查有着重要价值。常规CT 结合人工智能技术可提高骨质疏松症的就诊率和疗效，减轻骨质疏松症患者的经济和社会负担。目前多数研究数据的来源较为局限，未来可采用多中心、多供应商的数据集进行训练以进一步提高模型性能及普适性。

2.1.3 人工智能与MRI 的结合MRI 组织对比度高，常用于软组织成像，较X 线平片和CT 在显示骨髓早期改变方面更加灵敏，有助于预测骨折风险。Yabu 等[26]基于卷积神经网络构建了能够在MRI 图像上自动检测骨质疏松性骨折模型，其准确率达到了88%，能与经验丰富的外科医生相媲美。Mu 等[27]研究发现，基于卷积神经网络的磁共振波谱技术在评估骨质方面具有良好的优势，可为骨质疏松症的评估提供有效的辅助诊断方法。MRI 在骨质评估及骨折风险预测方面有着重要价值，但目前相关研究规模较小，其在广泛临床实践中的应用有待进一步验证。

2.2 人工智能技术在骨折预测领域的应用

骨质疏松性骨折发生风险的准确预测有利于早期干预并降低骨折发生率，目前已有一些研究应用人工智能模型预测骨折风险，相较于传统方法，都有较好的性能。Ulivieri 等[28]开发了一种基于人工神经网络的骨折预测模型，结合DXA 图像识别易发生骨质疏松性骨折患者，预测准确率达到了79.36%。Kong 等[29]使用了CatBoost、支持向量机、logistic 回归三种不同的模型结合相关临床因素预测骨质疏松性骨折，研究发现基于CatBoost 的机器学习方法开发的模型性能优于骨折风险预测工具及两种传统的机器学习模型。Zhang 等[30]利用QCT 图像中的主要参数开发了有效的机器学习模型评估老年男性股骨近端强度，可提高无创评估患者特定骨折风险的能力。Bodden 等[31]基于卷积神经网络模型在常规CT 中自动提取骨密度值来预测椎体骨折的发生，该预测模型性能良好，结果表明，骨密度值的机会性筛查对预防椎体骨折发生有着重要意义。人工智能模型在预测脆性骨折方面有着很大潜力，在临床中可用于常规骨骼健康评估，帮助临床医生制订个性化的治疗干预措施。但目前大多数研究是回顾性研究，未来更大规模、高质量的前瞻性研究是必要的。

3 小结与展望

本文主要梳理了骨质疏松症常用检查方法及回顾了人工智能在骨质疏松症中的应用。X 线平片、CT、MRI 等影像学检查及DXA、QCT 等骨密度测量结果是骨质疏松症诊断、风险预测和疗效评价的主要依据[4]。常规CT、X 线平片与人工智能结合有利于实现骨质疏松症的广泛筛查，DXA、QCT 检查技术与人工智能的结合可提高诊断效率及准确度，MRI 与人工智能结合有望将MRI 数据应用于临床实践。

研究证明，人工智能在骨质疏松症辅助诊断及脆性骨折预测等方面都有较好的性能。通过与影像学检查技术的结合，减少了二次检查费用及辐射暴露，提升了诊疗效率。虽然目前临床上已有了一定相关研究，但依然存在一些局限性：缺乏标准的大规模公共数据库，同时数据挖掘也因医学数据的隐私性等问题受到限制；以及算法本身存在的局限性等。建设高质量、多中心、大规模的骨质疏松症样本库，收集大量骨密度信息等机器学习数据，是人工智能在骨质疏松领域深度发展的重点。

现阶段多数研究集中于骨质疏松症的诊断及脆性骨折预测方面，未来可更多地进行骨质疏松症相关影响因素的研究，有助于实现疾病早期预防及高危人群早期干预。未来也可将人工智能技术进一步应用于个体化预防指导、精准治疗方案制订、疗效评估及骨质疏松患者长期健康管理等方面，使人工智能更大程度地造福人类和社会。

利益冲突声明：本文所有作者均声明不存在利益冲突。