骨质疏松症是一种潜在的代谢性骨病，其特征是骨量低、微结构恶化导致骨脆性增加。骨质疏松症未被充分诊断。骨质疏松症会持续数年无症状，直到发生限制日常生活活动的骨折，尤其是老年人。随着人口老龄化，预计到2050年，中国骨质疏松或骨质疏松性骨折患者将分别达到2.12亿和599万，这将导致发病率和死亡率显著上升。因此，骨质疏松症的早期筛查和监测对于及时预防和治疗骨质疏松性骨折至关重要。骨密度是衡量骨强度的重要指标。骨质疏松症是BMD低于一定阈值时诊断的，也可预测骨折风险。虽然根据世界卫生组织的标准，诊断骨质疏松需要双能x线吸收法(DXA)衍生的面积骨密度，但定量CT (QCT)在监测骨质流失和测量小梁骨密度方面更为敏感，因为其受脊柱严重退变、血管钙化、口服造影剂或体位的影响较小。用于肺癌筛查的低剂量胸部计算机断层扫描(LDCT)，包括腰椎图像，可同时用于评估体积骨密度和筛查骨质疏松症。

尽管QCT被认为是评估骨密度的一种相对准确的方法，但它需要配备合适的设备，这对许多医院，特别是基层医院来说是昂贵的。在以往的研究中，常规诊断性CT扫描通过直接测量松质骨的CT值来测量骨密度，相关系数为0.399 ~ 0.891。然而，CT图像分析需要频繁的人工操作，包括椎体定位(VBs)和感兴趣体积(VOI)的提取，这在大规模骨质疏松症筛查中是繁重而冗余的任务。随着当前计算性能、数据处理和大规模数据集的进步，基于人工智能(AI)的医学图像分析在提取图像特征、识别病变区域、分类疾病类型等方面发挥了重要作用，为疾病的诊断和预防提供了有益的帮助。特别是深度学习(DL)算法，特别是卷积神经网络(CNN)算法，已被应用于从CT图像中提取椎体CT值，以确定BMD和相关骨折。DL有望取代人工测量骨密度，解放放射科医生从事更重要、更有意义的工作，并降低骨质疏松筛查的成本。

最近，发表在European Radiology杂志上的一篇研究利用定量计算机断层扫描(QCT)作为参考，通过人工智能(AI)辅助系统对骨矿物质密度(BMD)和检测骨质疏松症进行了评估。

本项研究基于3312次低剂量胸部计算机断层扫描(LDCT)扫描(训练次数为2337次，测试次数为975次)开发的深度学习模型，对测试数据进行T1-T12、L1和L2椎体(VB)分割的平均骰子相似系数为95.8%。研究基于4401个LDCT扫描(来自3个不同制造商的扫描仪作为外部验证数据)进行了模型评估。所有个体的BMD值从三个连续的VBs中提取:T12至L2。使用直线回归和Bland-Altman分析来评估总体检测性能。敏感性和特异性用于评估正常、骨质减少和骨质疏松患者的诊断性能。

与作为诊断标准的QCT结果相比，评估的BMD平均误差为(- 0.28,2.37)mg/cm³。总的来说，正常诊断的敏感性大于骨质减少或骨质疏松症的诊断。对于骨质疏松症的诊断，该模型的敏感性> 86%，特异性> 98%。

 图 通过AI模型预测三种类型的分割掩模，并通过ITK-SNAP (A1, A2) CT矢状图(B1, B2)人工分割(C1, C2)自动分割(D1, D2) T12-L2自动VOI分割进行可视化

本项研究表明，研究所提出的人工智能工具具有重要的临床应用价值，可用于VBs定位分析、骨密度测定、骨质疏松症筛查等各种领域。

原文出处：

Yan Wu,Xiaopeng Yang,Mingyue Wang,et al.Artificial intelligence assisted automatic screening of opportunistic osteoporosis in computed tomography images from different scanners.DOI:10.1007/s00330-024-11046-2