基于人工智能的髋部X线影像骨质疏松/骨量减少预测流程
本研究开发并验证了一套基于髋部X线影像的人工智能工具,用于同时检测骨质疏松和骨量减少。模型在826张睾丸图像测试集上AUC为86.6%,在313张新影像的最终评估集上AUC为81.0%。作者认为该工具可能支持DXA分诊、机会性骨质疏松检出及骨密度测定可及性有限环境下的临床决策。
要点
- AI流程在测试集检测骨质疏松/骨量减少的AUC为86.6%,最终评估集为81.0%。
- 模型对骨质疏松的识别优于骨量减少:排除骨量减少病例后AUC升至93.6%,排除骨质疏松病例后AUC降至81.2%。
- 骨折股骨亚组AUC仅61.4%,提示骨折股骨可能干扰模型判断。
核心结论
- 所获结果表明,所提出的基于AI的流程在利用髋部X线影像预测骨质疏松/骨量减少方面具有潜力。
- 本研究提示,基于所提方法的工具可能支持DXA分诊、机会性骨质疏松检出以及骨密度测定可及性有限环境下的临床决策。
研究设计与样本
- 研究为回顾性设计,经西班牙马德里拉蒙-卡哈尔大学医院机构审查委员会批准(编号329–21),因回顾性设计豁免知情同意。
- 全球研究数据集纳入2016年11月至2023年6月采集的2691张髋关节前后位X线影像(来自1654例患者),用于模型开发与内部测试。
- 最终评估集纳入2023年6月至2024年4月采集的313张验证影像(来自239例患者),用于模拟真实部署条件下的评估及与临床医生肉眼判断的比较。
- 预测模型训练使用3227张单股骨图像(占77%),测试使用826张(占20%),并独立测试119例骨折股骨(占3%)。
- 参考标准为同一机构DXA髋部骨密度测定(股骨颈BMC、T值、Z值),测量时间与对应X线影像日期在2年间隔内。
关键影像表现/征象
- 预处理任务表现:单股骨与双股骨图像分类准确率99.0%,假体股骨识别准确率99.3%,股骨近端裁剪前分割像素准确率99.2%、Dice系数95.0%。
- 骨折股骨亚组(119例)独立测试的AUC为61.4%,低于整体测试集。
- 最终评估集中算法正确裁剪498张图像(98.2%),8张(1.6%)股骨近端部分被截断,1张(0.2%)裁剪完全错误。
- 最终评估集590张单股骨图像中87张有假体,算法识别假体准确率99.3%(4张含金属植入物的股骨未被检出)。
- 最终评估集313张图像中277张含骨盆双侧、36张含单侧股骨,算法自动分类单/双侧股骨准确率100%。
诊断标准与关键数值
- 骨质疏松/骨量减少预测模型在测试集(826张股骨)的AUC为86.6%。
- 最终评估集(313张新影像)的AUC为81.0%。
- 排除骨量减少病例后AUC升至93.6%,排除骨质疏松病例后AUC降至81.2%。
- 提出5类预测系统:第1类对应极高敏感度(>99%),第2类高敏感度(>80%),第3类敏感度与特异度中间平衡,第4类高特异度(>95%),第5类极高特异度(>99%)。
- 诊断分类依据WHO标准:正常(T值≥−1.0)、骨量减少(T值<−1.0且>−2.5)、骨质疏松(T值≤−2.5)。
临床应用与阅片要点
- 作者提出5类预测系统可供临床医生根据具体临床优先级解读结果:若目标是检出尽可能多的潜在骨质疏松病例(减少假阴性),可基于第1类或第1、2类采取行动;若目标是减少假阳性,可仅考虑第4或5类。
- 作者认为在骨折股骨可能引入混淆的情况下,考虑在最终工具中排除此类股骨似乎合理,以提高预测可靠性。
- 与临床医生肉眼判断比较:专家临床医生(24年经验)敏感度/特异度84.3%/31.7%,主治医生(2年经验)58.6%/65.0%,第二年住院医师33.3%/86.7%。
局限性
- 骨量减少的轻度脱矿在影像学和算法上常与正常骨重叠,限制了AI模型可靠检测骨量减少变化的能力。
- 骨折股骨亚组测试结果显著较差,提示骨折股骨无论分类为阳性或阴性均可能给系统带来混淆。
- 与类似研究比较困难,因多数现有工作仅预测骨质疏松风险而非同时预测骨质疏松/骨量减少。
- 观察到的预处理错误主要与假体病例中小型髓内钉的存在以及非典型旋转图像影响股骨计数估计有关;进一步提高模型稳健性应扩充训练数据集以包含更多此类边缘病例。
全文中译15 节 · 点击展开
引言
骨质疏松症是一种慢性代谢性骨病,其特征是骨密度(BMD)降低和骨脆性增加,导致骨折风险升高。骨质疏松症在发生骨折之前通常无症状,因此早期诊断至关重要[1]。全球患病率为18.3%,女性(23.1%)高于男性(11.7%),在老年人中升至35.3%[2, 3]。脆性髋部骨折——其最严重的后果之一——每年每10万人中发生100–200例,常导致长期残疾和死亡率增加[4–7]。
尽管如此,骨质疏松症通过早期诊断和生活方式干预是可预防和可管理的[1]。值得注意的是,55岁以上个体中近一半的骨折发生在骨质减少(骨质疏松症的前驱阶段)患者中,凸显了早期检测的必要性[8]。双能X线吸收法(DXA)是诊断的金标准,依据T值低于−1(骨质减少)和−2.5(骨质疏松症)[9, 10]。虽然DXA已被证明可有效降低骨折和死亡率[11–13],但其可及性有限、成本较高以及认知度低限制了其广泛应用[11, 14]。
常规X线摄影更为可及且经常进行,在骨质疏松症/骨质减少的检测方面具有前景,尤其是在人工智能(AI)增强的情况下。将X线摄影纳入筛查策略可提高效率并扩大诊断工具的可及性,尤其是在资源有限的环境中[15]。多项研究已证明AI模型从常规髋部X线摄影中检测骨质疏松症的潜力,准确率范围为62.3%至98.1%,曲线下面积(AUC)值高达97.0%[16–21]。然而,这些模型通常仅关注骨质疏松症,忽视了骨质减少——早期干预的关键阶段——尽管已有研究使用其他类型的X线摄影对其进行了探索[22–25]。此外,在所引研究中,仅CI. Hsieh等[17]提出了适用于整合到常规临床工作流程中的完全端到端自动化流程。
因此,本研究旨在开发并验证一种基于AI的自动化流程,利用髋部X线摄影检测骨质疏松症和骨质减少,设计上力求稳健并适应真实临床条件。
材料与方法
西班牙马德里拉蒙-卡哈尔大学医院(Hospital Universitario Ramón y Cajal)的机构审查委员会批准了本研究(编号329–21)。由于本研究为回顾性设计,机构审查委员会豁免了获取患者知情同意的要求。
数据收集
在拉蒙-卡哈尔大学医院回顾性收集了2016年11月至2023年6月(全球研究)以及2023年6月至2024年4月(最终评估集)的髋部X线摄影及相应的BMD测量数据。
该数据集包括骨盆一侧或双侧的标准前后位髋关节X线片。其他投照体位(如轴位、侧位、斜位或后前位视图)的X线片以及低质量图像(采集参数不佳、数字伪影、数字化打印板退化、噪声过多、感兴趣区(ROI)显示不完整或物体重叠)由临床专家排除。值得注意的是,伴有其他病变(除骨质疏松/骨质减少外)的图像也被纳入,以获得更完整的工具。带有假体(或其他金属植入物)的图像用于训练算法,以便在最终工具中将其丢弃,但未用于最终的预测算法。
最初共收集了7051张X线片,其中来自1654例患者的2691张图像最终纳入全局研究,用于模型开发和内部测试(图1,上半部分)。在排除其他视图或质量不足的图像后,使用来自239例患者的313张经过验证的独立图像集进行最终评估(图1,下半部分)。该最终评估集用于在模拟真实世界部署的条件下评估完全开发的系统,并将其与临床医生肉眼做出的预测进行比较。收集了两组中每位患者的人口学数据(表1)。
成像方案
X线片使用多种数字X线摄影系统采集,包括Optimus 50(Philips,阿姆斯特丹,荷兰)、Medio 50 CP-H(Philips,阿姆斯特丹,荷兰)、DigitalDiagnost C90(Philips,阿姆斯特丹,荷兰)、I-RAD/NET 400(Toshiba,东京,日本)、Indico 100 RAD(Toshiba,东京,日本)、SHF535(Toshiba,东京,日本)、FDR D-EVO GL(Fujifilm,东京,日本)和Ysio Max(Siemens,柏林,德国)。放射科技师遵循既定临床指南,使用峰值千伏值(kVp)范围为50至125获取所有X线片。
骨密度评估
BMD测量以及骨矿物质含量(BMC)、T值和Z值使用同一机构的DXA获得。DXA设备包括Hologic Horizon WI和Hologic Explorer骨密度仪(Hologic Inc.,马尔伯勒,马萨诸塞州,美国)。DXA特指髋部骨密度测定,BMC、T值和Z值的参数在股骨颈处测量。这些测量在相应X线片日期前后2年的间隔内进行[28, 29]。
根据世界卫生组织骨质疏松症诊断标准[30],依据T值对X线片进行分类:正常(T值大于或等于−1.0)、骨量减少(T值低于−1.0且高于−2.5)和骨质疏松(T值小于或等于−2.5)。在X线片包含双侧股骨但仅有一侧股骨可获得T值的情况下,对双侧股骨应用相同的分类[31]。
AI模型的开发
处理流程
本研究旨在开发一种基于深度学习的工具,用于在髋部X线片中预测骨质疏松/骨量减少,采用包含三个预处理阶段(将图像分割为单侧股骨、剔除带有假体的股骨、按股骨近端裁剪图像)和最终疾病预测的四步流程(图2)。
需要注意的是,本节仅描述最终工具中使用的深度学习模型。初期探索了广泛的模型——包括分割和分类方法——最终选择了性能最佳的模型。
分割为两侧股骨
为获得单侧股骨图像,训练了一个深度学习模型,将X线片分类为显示骨盆一侧或两侧。包含两侧的图像被自动垂直分割为两张等大的独立图像(右股骨和左股骨),而仅包含一侧股骨的图像保持不变。该过程将整个数据集转换为标准化的单侧股骨图像。
为执行此分类任务,使用由技术人员标记为“一侧”或“两侧”的一组图像训练了ResNet-18(残差神经网络)[32]。训练完成后,所得模型在另一组标记图像上进行测试,以评估其分类性能。ResNet是使用ImageNet数据集[33]预训练的卷积神经网络(CNN)。为此,网络在十次完整遍历数据集(epoch)中以32个样本为批次(batch size)进行训练。此外,还使用了softmax损失函数[34]、Adam优化算法[35]和批归一化[36]。
假体检测
为防止对骨质疏松/骨量减少预测的干扰,训练了一个深度学习模型,通过将每张图像分类为“假体”或“非假体”来自动检测并剔除带有假体的股骨。
为执行此分类任务,使用由技术人员标记为“假体”或“非假体”的一组图像(单侧股骨)训练了另一个ResNet-18[32]。训练完成后,所得模型在另一组标记图像上进行测试,以评估其分类性能。为此,网络采用与前一模型相同的配置进行训练:十次完整遍历数据集、32个样本的批次、softmax损失函数[34]、Adam优化算法[35]和批归一化[36]。
股骨裁剪
为了聚焦于股骨近端——疾病相关特征最明显的区域——训练了一个深度学习模型来分割该区域。基于该分割结果,使用一个包含所 delineated 区域及其周围区域的矩形区域自动裁剪每根股骨(图2,步骤3)。
为了执行该勾画任务,使用一组勾画结果训练了一个DeepLab [37]卷积神经网络(CNN)。三位专家此前使用Transmural Biotech(西班牙马德里)创建的在线图形用户界面手动勾画了一些股骨的近端[38]。训练完成后,学习模型在另一组勾画图像上进行测试,以观察其分割性能。DeepLab CNN使用ImageNet [33]预训练的VGG [39]作为其主要特征提取网络。还使用了数据增强来增加训练模型的数据量并获得更好的结果,具体包括修改原始图像的对比度、亮度和饱和度,以及水平镜像图像。CNN在数据集上进行了40个完整轮次(epochs)的训练,批次大小为64个样本(batch size),并使用了softmax损失函数[34]和梯度下降优化算法[40]。
骨质疏松症/骨量减少预测
为了最终预测骨质疏松症/骨量减少,训练了另一种深度学习算法,并将所有裁剪图像及其对应的股骨结局(正常、骨量减少或骨质疏松症)一起进行测试。伴有骨折的股骨被手动选择并从训练集和测试集中剔除,以避免混淆算法,因为已知此类病例会扭曲骨密度(BMD)估算,并且通常不适合临床骨密度测定评估[41]。模型训练完成后,这些特定图像也将在独立集上进行测试,以观察其性能。
为了考虑采集条件的变异性,所有裁剪图像之前均使用限制对比度自适应直方图均衡化(CLAHE)进行归一化,以标准化灰度水平并增强图像对比度[42]。
最后,为了执行该骨质疏松症/骨量减少预测任务,使用最终数据集的80%训练了一个DenseNet-169 CNN [43],并在剩余20%上进行测试,以观察其分类性能。没有患者同时向两个集贡献图像,以防止数据泄漏。为此,网络在数据集上进行了40个完整轮次(epochs)的训练,批次大小为32个样本(batch size)。此外,还使用了softmax损失函数[34]、Adam优化算法[35]和批归一化[36]。
统计分析
每个步骤的性能通过将每次实验的结果与测试集图像上的手动金标准进行比较来评估。统计分析使用MATLAB R2023a进行。
为了评估前两个实验(“分为两根股骨”和“假体检测”),计算了准确率(正确预测的百分比)。为了评估“股骨裁剪”实验,计算了像素准确率(正确分类的总像素百分比)和Dice系数[44],以将获得的自动感兴趣区(ROI)与我们的临床医生制作的手动ROI进行比较。最后,为了评估骨质疏松症/骨量减少预测实验,计算了受试者工作特征(ROC)曲线和典型的分类指标:准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。
为避免提供二元诊断并提高模型输出的可解释性和灵活性,提出一种5类预测系统:第1类对应非常高的灵敏度(> 99%);第2类对应高灵敏度(> 80%);第3类为灵敏度和特异度之间的中间平衡;第4类对应高特异度(> 95%);第5类对应非常高的特异度(> 99%)。这种分类使临床医生能够在其特定临床优先事项的背景下解释结果。例如,如果目标是检测尽可能多的潜在骨质疏松症病例(尽量减少假阴性),则可以仅根据第1类或第1类和第2类采取行动。相反,如果目标是尽量减少假阳性,则可能仅考虑第4类或第5类。这些类别的阈值是通过在患病率与骨量减少和骨质疏松症全球患病率相匹配的模拟人群中评估PPV和NPV来确定的。阈值的选择考虑了本中心进行的髋部X线摄影和DXA的数量,从成本效率角度确保了实用性和相关性。
结果
预处理实验
在第一个实验中,使用所提出的分类学习方法将输入图像分类为“一个股骨”或“两个股骨”图像。使用1800张图像训练深度学习算法,并使用200张图像(122张为两个股骨,78张为单个股骨)测试其性能。最终模型正确分类了200张图像中的198张(99.0%的准确率),将两张单个股骨图像错误分类为两个股骨图像。
在第二个实验中,使用所提出的分类学习方法将输入图像(单个股骨)分类为“假体”或“非假体”。使用2700张图像训练深度学习算法,并使用300张图像(38个带假体的股骨和262个无假体的股骨)测试其性能。最终模型正确分类了300张股骨图像中的298张(99.3%准确率),未能检测出两个带假体的股骨。
在第三个实验中,使用所提出的分割学习方法从输入图像(无任何假体的单个股骨)中自动勾勒股骨近端。使用2250张图像训练深度学习算法,并使用250张图像测试其性能。最终模型达到了99.2%的像素准确率,Dice系数为95.0%。
骨质疏松症/骨量减少预测
在最终实验中,使用所提出的分类学习方法从输入图像(裁剪的股骨近端)预测骨质疏松症/骨量减少疾病。共使用4172张图像:1563张患有骨质疏松症,2051张患有骨量减少,558张没有任何这些疾病(对照)。其中,3227张图像(77%)用于训练深度学习算法,826张图像(20%)用于测试其性能,保持每个类别的患病率。最后,还独立测试了119个伴有骨折的股骨(3%),以观察在这些特殊病例上的性能。图1(上侧)显示了该最终实验的数据集分布。
图3展示了所提出的分类学习方法获得的ROC曲线,其AUC达到86.6%。图3还展示了曲线划分为五个提出的类别。表2展示了ROC曲线各截断点的典型分类指标。
为了观察预测骨量减少病例和骨质疏松病例时获得的结果差异,图4展示了两条不同的ROC曲线:绿线展示剔除骨量减少病例后获得的ROC曲线(总体AUC升至93.6%),黄线展示剔除骨质疏松病例后获得的曲线(AUC降至81.2%)。图4还展示了仅测试从全局测试集中分离出的骨折股骨所获得的ROC曲线(红线)。在这种情况下,达到的AUC为61.4%。
最终评估结果
一旦获得我们工具各主要任务的结果,就用所创建的四个AI模型(每个任务一个)构建最终算法。该算法将自动依次应用四个模型,为每张新图像获得最终预测。该算法对来自239名患者的313张新图像(在先前图像之后采集)进行最终评估的结果如下所示。
在313张图像的总集合中,277张为包含骨盆两侧的图像,36张为单侧股骨图像。该算法自动将这些图像分类为一个或两个股骨,达到100%的准确率(全部313张均正确分类)。然后,该算法将两个股骨的图像分为两张不同的图像,得到590张不同的单股骨图像。
在这590张所得股骨中,87张有假体。该算法自动将这些股骨图像分类为“假体”或“非假体”,达到99.3%的准确率(四个带有某些金属植入物的股骨未被检测到)。然后,该算法丢弃检测到假体的股骨图像,得到494张图像。
随后,该算法自动分割ROI并裁剪股骨近端。在494张股骨图像中,该算法正确裁剪了498张图像(98.2%);在八张图像(1.6%)中,股骨近端的一部分被截断,一张图像(0.2%)的裁剪完全错误。
最后,该算法根据生成的图像预测骨质疏松/骨质减少疾病(不考虑13例股骨骨折)。在494张裁剪图像中,174张来自患有骨质疏松的股骨图像,220张来自患有骨质减少的股骨图像,100张来自没有任何这些疾病的股骨(对照组)。图5显示了所提出算法在最终评估集上获得的ROC曲线,其AUC达到81.0%。为了与全局结果进行比较,图5还显示了先前从全局测试集获得的ROC曲线(AUC为86.6%)。
为了进一步验证这些结果,三名经验水平不同的临床医生被要求仅基于311张图像的X线片对骨质减少/骨质疏松进行视觉诊断。每根股骨得到的敏感性/特异性值分别为84.3%/31.7%(专家临床医生,24年经验)、58.6%/65.0%(主治临床医生,2年经验)和33.3%/86.7%(二年级住院临床医生)。图5包括代表这些结果的十字标记,以与算法获得的结果进行比较。
讨论
本研究提出了一种基于人工智能的工具,用于从髋部X线片预测骨质疏松/骨质减少,包括四个自动化步骤:股骨分割、假体过滤、近端股骨裁剪和疾病分类。
三项预处理实验中获得的结果非常出色,高性能指标证明了这一点。将输入图像分类为单股骨或双股骨以及将股骨分类为假体或非假体均达到了99%的准确率,表明所应用的学习方法能够有效自动执行图像中股骨分割和丢弃假体股骨的任务。观察到的错误主要与假体病例中存在小型髓内钉以及影响股骨计数估计的非典型旋转图像有关。进一步提高模型的鲁棒性应涉及扩充训练数据集,包括更多种类的此类边缘案例。此外,股骨近端 extremities 的自动勾画获得了99.2%的准确率和95.0%的Dice系数,表明所使用的分割方法足够高效,能够自动勾画该股骨区域,确保感兴趣区(ROI)的高质量裁剪。
分析骨质疏松/骨量减少预测的主要结果,获得的ROC曲线AUC为86.6%,显示出有前景的潜力。与类似研究进行比较较为困难,因为大多数现有工作仅关注预测骨质疏松风险,而非同时预测骨质疏松/骨量减少。在关于骨质疏松/骨量减少双重检测的研究[22–25]中,他们报告的AUC在72.6%至91.0%之间,使用的是其他类型的X线片(腰椎、胸部和膝关节),略优于我们的结果。其他研究报告的仅针对骨质疏松预测的AUC与我们的研究处于可比范围(70%至97%之间[16–21])。更具体地说,S. Kim等人的研究[18]在457张X线片的内集上获得了96%的AUC,灵敏度和特异度分别为82%和89%。在相似的特异度(90.7%)下,我们研究中提出的方法在826个股骨的内集上预测骨质疏松/骨量减少时仅达到57.9%的灵敏度。
亚组分析显示,排除骨量减少病例可提高AUC,而排除骨质疏松病例则降低性能,表明该模型在检测骨质疏松方面更为有效。这与预期一致,因为骨质疏松股骨在影像学上比健康股骨更易区分,而骨量减少代表一个更细微的中间阶段,在X线图像上难以检测,直至已发生大量骨丢失[45]。此外,骨量减少中所见的轻度去矿化在影像学上常与正常骨重叠,无论在视觉上还是算法上均如此[46]。这些细微之处限制了AI模型可靠检测骨量减少性改变的能力,正如近期聚焦髋部X线片的深度学习研究所提示的那样[16]。
此外,在仅对骨折股骨进行的测试中可以观察到,所获得的结果显著更差,表明骨折股骨——无论被分类为疾病阳性还是阴性——都可能给系统引入混淆。因此,考虑在最终工具中排除此类股骨以提高预测可靠性似乎是合理的。
最后,对最终评估集所得结果的分析显示其与全局测试集的结果一致。识别一个或两个股骨及假体股骨的分类准确率分别达到100%和99.3%,98%的感兴趣区(ROI)勾画被正确完成。此外,骨质疏松/骨量减少预测显示的ROC曲线与全局测试相当,AUC降低6.3%。而且,在这一最终评估阶段——该阶段模拟了该工具在真实临床实践中的使用方式——错误可能从一个任务传播到下一个任务,可能影响最终的骨质疏松分类。为减轻这一问题,所实施的工具生成一份报告,包含股骨分割、假体排除(如适用)以及分割掩膜。这种透明报告使临床医生能够目视检查中间结果,并识别任何可能损害最终预测可靠性(如骨折纳入)的异常。最后,该算法在整个ROC曲线上优于所有三位临床医生的视觉检查。临床医生之间的变异性是预期之中的,原因在于经验差异和放射学诊断的固有局限性,特别是考虑到骨量减少的高患病率,这使视觉评估变得复杂。
从临床角度来看,本研究支持这样一种观点:采用所提出的AI方法预测骨质疏松/骨量减少的工具在临床实践中可能非常有用。将结果分为五个不同的风险类别增强了该工具在不同临床用途中的适应性,提供了其他基于AI的骨质疏松检测模型中不常探索的分层水平。这种灵活性有助于减轻某些误分类的影响,同时强调该工具仅作为临床决策支持系统——而非临床判断的替代品或独立的诊断解决方案——。主要应用之一是对DXA优先排序的分诊,特别是在骨密度测定可及性有限的医疗环境中。在这种方法中,患者将按从最高风险(5类)到最低风险(1类)的顺序优先处理。这种选择性方法可以在对所有高危患者进行常规DXA不可行的环境中提高骨质疏松筛查的效率。第二个潜在应用是机会性检出,即在因无关指征接受髋部X线摄影的患者中识别出骨质疏松/骨量减少。在这种情况下,被分类为较高风险类别的患者是进行确认性DXA检测以确定是否需要药物治疗的强有力候选者。每个中心可根据成本和DXA可及性来定义哪些类别被视为高风险。最后,该工具可在总体上辅助临床医生进行诊断,例如在其他诊断方法(如DXA)不可及的情况下。临床医生可以定义最符合当地医疗优先事项的风险阈值(类别),根据患者人群和可用治疗资源优化敏感性或特异性。
本研究具有多项优势。首先,所有图像均在常规临床实践中由不同操作者使用多种机器采集,无特定指令要求。该方法密切模拟了最终工具未来可能遇到的临床场景。此外,还进行了最终评估实验,以观察最终工具的性能在连续任务中如何演变。其次,与大多数研究不同,本工作旨在除骨质疏松症外还预测骨量减少,从而实现对病理的早期预测。最后,所提出系统的所有组件均完全自动化。然而,当前实现仍依赖于手动排除髋部骨折或低质量图像的病例(无论在审阅最终报告之前或之后)。尽管存在这一局限性,系统的设计方式便于未来整合到临床软件中,最终目标是仅需操作者执行图像采集。
本研究的主要局限性在于单中心设计和所获取数据的稳健性。尽管使用了来自临床实践的不同机器的X射线,但未开展涵盖多样人群的多中心研究。最终评估实验也未在外部数据库或前瞻性数据上进行测试,这降低了在其他临床环境中复现结果的可靠性。未来工作应致力于通过多中心研究进行外部验证。
总之,所获得的结果证明了所提出的AI方法在利用髋部X射线片预测骨质疏松症/骨量减少方面的潜力。本研究表明,采用所提出方法的工具可在不同临床用途或场景中改善临床实践。然而,仍需进一步的多中心研究以确认该工具在不同临床环境中的可靠性和适用性。
引用
- Acosta-Batlle J, Coronado-Gutiérrez D, Soto J, et al. An AI-based pipeline for osteoporosis/osteopenia prediction using hip radiographs. Skeletal Radiol. 2025. PMID: 41003689. doi:10.1007/s00256-025-05033-x
- 全文:PMC12743094(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12743094/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。