文献速递骨肌技术与安全CT乳腺X线

常规CT自动机会性骨质疏松筛查:对现患椎体骨折的预测优于DXA

Automatic opportunistic osteoporosis screening in routine CT: improved prediction of patients with prevalent vertebral fractures compared to DXA.
PubMed 文献 · Eur Radiol · 2021-01-28

本研究纳入192例同时有腰椎DXA和CT(间隔1年内)的患者,用深度学习框架自动提取CT骨量指标并与DXA比较对现患骨质疏松性椎体骨折的预测价值。77%患者有椎体骨折,除骨矿物质含量外所有CT骨量指标的预测效能均显著优于DXA,并提出了积分vBMD的诊断阈值。

要点

  • 常规CT可全自动机会性筛查骨质疏松,无需额外辐射或费用。
  • 小梁vBMD预测现患椎体骨折的AUC为0.885,优于DXA的aBMD(AUC=0.668)。
  • 作者提出积分vBMD骨质疏松阈值为<160 mg/cm3,低骨量阈值为160≤BMD<190 mg/cm3。

核心结论

  • 常规脊柱CT的全自动骨质疏松筛查可行,CT骨量指标较DXA能更好识别伴有椎体骨折的骨量减低个体。
  • 手动采样vBMD以及自动评估的小梁vBMD和积分vBMD是现患椎体骨折的最佳预测指标。
  • 除骨矿物质含量外,所有CT骨量指标预测现患椎体骨折的判别效能均显著优于DXA指标。

研究设计与样本

  • 单中心回顾性研究,经当地机构审查委员会批准(伦理编号27/19S/SR)并豁免书面知情同意。
  • 最终纳入192例(女141例、男51例,年龄70.2±9.7岁)同时有腰椎DXA和CT且间隔≤12个月的患者。
  • CT扫描使用6台多探测器CT扫描仪,管电压120 kVp,层厚0.9–1 mm,部分扫描(n=61)使用口服和/或静脉对比剂。
  • 以Genant半定量技术(分级≥1为骨折)在CT上判定现患骨质疏松性椎体骨折,并将患者分为骨折组与非骨折组。
  • 参考标准为DXA测量的腰椎L1–L4面积骨密度(aBMD)及T值,骨质疏松定义为T≤−2.5 SD,低骨量定义为−2.5<T≤−1 SD。

关键影像表现/征象

  • 骨折组患者年龄显著大于非骨折组(72.0±9.3岁 vs. 64.3±8.6岁,p<0.001)。
  • 骨折组所有骨量指标(DXA-based aBMD、CT-based aBMD、手动vBMD、小梁vBMD、积分vBMD、BMC,p<0.001;DXA-based T-score,p=0.001)均显著低于非骨折组。

诊断标准与关键数值

  • 骨折组148例(77%)至少有一处现患骨质疏松性椎体骨折(Genant分级≥1)。
  • 小梁vBMD预测现患椎体骨折的AUC=0.885,积分vBMD AUC=0.86,DXA aBMD AUC=0.668(小梁vBMD与积分vBMD分别对比DXA aBMD,p<0.001)。
  • 年龄和性别校正后与骨折状态的关联:手动vBMD OR=7.3(95%CI 3.8–14.3),自动小梁vBMD OR=6.9(95%CI 3.5–13.4),积分vBMD OR=4.3(95%CI 2.5–7.6)。
  • 积分vBMD诊断阈值:骨质疏松<160 mg/cm3,敏感度84%、特异度78%;低骨量160≤BMD<190 mg/cm3,敏感度41%、特异度95%。
  • 小梁vBMD采用ACR阈值:骨质疏松<80 mg/cm3,低骨量80≤BMD≤120 mg/cm3;对应敏感度86%、特异度78%(骨质疏松阈值)和敏感度41%、特异度98%(低骨量阈值)。

临床应用与阅片要点

  • 利用深度学习框架可在常规CT上全自动分割椎体并提取积分vBMD、小梁vBMD、CT-based aBMD和BMC,无需额外扫描。
  • 评估前需通过矢状位和冠状位曲面重建及虚拟侧位X线片排除因椎体骨折、退变或其他异常导致骨量改变不特异的椎体节段。
  • CT-based aBMD相比DXA似乎略微低估aBMD,L2偏倚−0.054 g/cm2,L3偏倚−0.015 g/cm2。

局限性

  • 回顾性研究存在选择偏倚,研究对象为老年、主要为神经外科和肿瘤科患者,且要求1年内同时接受多探测器CT和DXA检查。
  • 研究未报告新发椎体骨折,新提出的积分vBMD诊断阈值需在后续研究中验证。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2021 Jan 28;31(8):6069–77. doi: 10.1007/s00330-020-07655-2

引言

骨质疏松症是一种以骨强度受损为特征的代谢性骨病,使个体骨折风险增加[1]。骨质疏松症影响全球人群,尤其是发达国家的老年人[2]。在欧盟,骨质疏松性骨折的经济负担估计为每年370亿欧元,预计到2025年将增加25%[3]。

除髋部骨折外,椎体骨折是最常见且后果最严重的骨质疏松性骨折[4]。其在50岁以上欧洲人群中的患病率介于18%至26%之间[5]。椎体骨折具有严重后果,包括生活质量下降[6]、年龄校正死亡风险增加2倍[7],以及与非正常人群相比额外骨折风险分别增加3倍[8]。老年人所有类型的骨质疏松性骨折均预示不良结局的高风险,因此强烈建议早期医学干预[9]。医学治疗可专门针对极高风险特征的患者,通常需要长期管理[10]。

骨质疏松症的主要问题在于骨质疏松患者在发生骨折之前始终无症状。此外,骨质疏松性椎体骨折在临床上保持沉默,仅有15–30%引起临床关注[11]。因此,骨质疏松症照护的主要目标是识别骨折高风险人群,以便在首次骨折发生之前启动医学治疗。迄今为止,标准筛查方法包括评估临床危险因素并使用双能X线吸收法(DXA)测量面积骨密度(aBMD)[1]。然而,该方法存在两个主要问题。首先,在一项大型观察性研究中,伴有骨质疏松性骨折的女性中不足一半(44%)、男性中更少(21%)表现为低aBMD[12],突显了DXA固有的不准确性[13]。其次,DXA服务的可及性存在显著差异,许多未能达到国际质量标准[14]。然而,其他骨密度测定方法表现出更多劣势:定量计算机断层扫描(QCT)可及性有限、费用更高,且与显著更高的辐射剂量(> 100倍)相关[15]。因此,迫切需要一种易于获得且在预测主要骨质疏松性骨折方面比DXA具有更高准确性的骨质疏松症筛查替代方法。

随着算力的充足,“深度学习”——一种使用卷积神经网络(CNN)层进行机器学习的方法——近来变得流行。具体而言,CNN可以提高分割任务的效率和准确性。我们最近引入了一个框架,可在数秒内对任意CT数据集中的椎骨进行全自动分割[16, 17]。这是实现机会性筛查工具的基石,该工具能够以全自动方式从任意CT数据中提取脊柱骨测量指标。对已有临床常规CT进行机会性定量评估既不需要额外费用,也不需要额外辐射暴露[15]。在此基础上,我们现在旨在验证使用我们的全自动框架(https://anduin.bonescreen.de)进行机会性骨质疏松筛查的概念,以评估临床CT中的各种骨测量指标,并研究其对椎体骨折评估的预测价值。

本研究的目的是系统比较来自临床常规CT(自动和手动提取)的脊柱骨量各种测量指标与金标准DXA之间,在现患骨质疏松性椎体骨折关联上的差异。

方法

研究人群

当地机构审查委员会批准了这项单中心回顾性研究(伦理委员会参考编号27/19S/SR),并豁免了书面知情同意。在對机构数据库中截至2017年5月登记的所有患者进行查询时,我们确定了360例同时具有DXA和包含部分胸腰段脊柱的CT的患者。DXA与CT检查之间的最大间隔定义为12个月。我们排除了有椎体转移或血液系统疾病史的患者(n = 18)、无可评估腰椎DXA的患者(n = 34)、无可评估CT的患者(仅显示骨折椎体、管电压非120 kV或图像质量严重受限;n = 15),以及DXA检查时年龄小于50岁的患者(n = 35)。剩余258例患者的CT扫描使用Genant[18]的半定量技术筛查现患骨质疏松性椎体骨折。基于视觉图像审查,患者被分类为骨折(若分级≥1)或非骨折。为确保正确的骨折分类且不遗漏因CT扫描脊柱部分覆盖而未被显示的骨折,若非骨折患者未至少显示T7至L4椎体水平,则被排除出研究(n = 66)。最终研究组为192例患者,其中148例(77%)显示至少一处现患骨质疏松性椎体骨折。

CT图像采集

CT扫描在六台不同的多探测器CT扫描仪上进行(Philips Brilliance 64、iCT 256和IQon,Philips Medical Systems;Siemens Somatom Definition AS、Somatom Definition AS+和Somatom Sensation Cardiac 64,Siemens Healthineers);部分扫描在给予口服(Barilux Scan,Sanochemia Diagnostics)和静脉(Iomeron 400,Bracco)对比剂两者后或仅给予静脉对比剂后进行(n = 61)。图像数据在所有扫描仪上以螺旋模式采集,峰值管电压为120 kVp,层厚为0.9–1 mm,并采用自适应管负荷。增强后扫描根据CT成像的临床指征,分别在动脉期或门静脉期采集,动脉期由置于主动脉的感兴趣区所超过的CT衰减阈值触发,门静脉期则在延迟70 s后采集。脊柱矢状面重建图像以1、2或3 mm层厚使用骨核算法重建,并用于本研究的进一步分析。成像因与骨密度测定无关的各种指征而进行:急性背痛或疑似脊柱骨折(n = 86);癌症分期、再分期或随访(n = 55);排除急性腹部病变(n = 21);慢性背痛(n = 14);以及术后检查(n = 16)。

双能X线吸收测定法

腰椎L1至L4的面积骨密度(BMD)在DXA扫描仪(GE Lunar Prodigy,GE Healthcare)上以前后位投影进行评估。扫描由经过培训的技术人员执行,质量通过经验丰富的医师按照现行建议[19]进行评估来保证。受严重局部结构改变或伪影影响的骨骼部位被排除。T值相对于骨量峰值健康年轻女性参考人群计算。报告腰椎总体最低T值,并用于骨质疏松症的诊断[20]。骨质疏松症定义为T ≤ − 2.5 SD,低骨量定义为− 2.5 < T ≤ − 1 SD [21]。

基于机会性CT的骨量测量

从临床CT扫描中提取至少一个T12至L4椎体的体积和面积骨量测量值。在可评估多个椎体水平的情况下,测量值取平均。

对比剂的异步校准和校正

以Hounsfield单位(HU)表示的CT衰减使用异步校准转换为体积BMD。在异步校准中,扫描含有骨等效密度元件的体模,以计算特定于某一CT扫描仪和采集方案的HU-to-BMD关系。本研究中的所有CT扫描仪均使用先前发表的HU-to-BMD转换方程[22]。这些转换方程大多建立在已知密度(以毫克每立方厘米计)羟基磷灰石插入物体模(Anthropomorphic Abdomen Phantom,QRM Quality Assurance in Radiology and Medicine)的扫描中确立。静脉注射对比剂所致的BMD值偏倚使用动脉期和门静脉/静脉期的线性校正方程进行校正[23]。在对CT数据进行任何后续评估之前,HU值被转换为BMD并针对对比剂的存在进行校正。

体积骨测量指标的自动提取

体积测量通过自动多步骤程序提取,该程序所需用户交互最少,并在Python中实现。首先,使用卷积神经网络(CNN)框架在CT扫描中自动分割椎骨,该框架识别脊柱、标记每个椎体并创建分割掩膜[16]。其次,在这些掩膜中使用仿射和可变形变换将椎体与后部结构分离,以将椎体亚区模板拟合至每个椎体水平。第三,椎体的分割掩膜用于提取整体体积骨密度(vBMD)和骨矿物质含量(BMC),或额外侵蚀5 mm以排除皮质骨,用于采样小梁骨vBMD。

基于CT的面积骨密度

面积骨密度从由CT数据创建的虚拟DXA等效扫描(基于CT的aBMD)中提取,范围为L1至L4椎体。在后前位投影创建的虚拟图像中,仅包含椎体分割掩膜内的骨组织。我们选择此方法是为了利用CT扫描相较于DXA的三维特性,从而推定其具有更高的准确性,尽管事实上它是一种单能技术。面积骨密度从对应于椎体轮廓的覆盖掩膜中的后前位投影采样,从而排除侧突(图1)。在29例患者样本组(22名女性,平均年龄61.5 ± 13.6岁;补充图1)中,L2和L3的基于CT的aBMD与基于DXA的aBMD之间显示出良好相关性(分别为R2 = 0.814和R2 = 0.739)。Bland-Altman图显示,基于CT的aBMD在L2和L3处的偏倚分别为− 0.054和− 0.015 g/cm2(补充图1)。因此,与DXA相比,基于CT的评估似乎略微低估了aBMD。

图1 轴位切面(上)中L2椎体轮廓用于生成L1至L4的基于CT的DXA虚拟后前位投影(下) 查看原图 ↗

评估调查中的质量保证

从CT数据生成穿过椎体形心的矢状位和冠状位曲面平面重建(CPR),并以40%不透明度叠加分割掩膜。此外,从CT数据计算侧位投影的虚拟X线片。这些图像重建用作调查,以识别因(1)椎体骨折、(2)退行性改变或(3)其他异常(例如,异物)导致骨量改变而非骨质疏松特异性的椎体水平,这些水平必须从骨量评估中排除(图2和图3)。

图2 一名80岁急性背痛女性的CT扫描,以侧位投影的虚拟X线片(a)以及侧位和冠状位的曲面平面重建(b、c、d)显示。除多处轻至中度椎体畸形外,T7可见严重压缩性骨折。胸腰交界处可见轻度脊柱侧弯畸形,L4/5可见伴硬化的脊柱退行性变(相当于MRI上的Modic III)。因此,L4被排除在评估之外。T12至L3得出的平均小梁vBMD为26.6 mg/cm3,整体vBMD为135.4 mg/cm3,基于CT的aBMD为0.768 g/cm2,BMC为4.45 g。小梁和整体vBMD明显处于骨质疏松范围。DXA报告的T值为− 2.5 SD,仍处于低骨量范围(未显示)。用于提取小梁(b、c)以及整体vBMD(d)的掩膜以彩色叠加显示。虚拟X线片中的彩色点由标注CNN自动估计,代表椎体 centroid。侧位和冠状位曲面通过插值这些点重建 查看原图 ↗
图3 一名50岁女性为乳腺癌分期而进行的CT扫描,以侧位投影的虚拟X线片(a)以及侧位和冠状位的曲面平面重建(b、c、d)显示。未见骨质疏松性椎体骨折。L5/S1可见脊柱退行性变征象。对T12至L4的评估得出的平均小梁vBMD为134.7 mg/cm3,整体vBMD为204.5 mg/cm3,基于CT的aBMD为1.008 g/cm2,BMC为6.18 g。DXA报告的T值为− 2.2 SD(未显示)。小梁和整体vBMD与正常骨量一致。DXA T值对应于低骨量,并有趋向骨质疏松阈值(< − 2.5 SD)的趋势。用于提取小梁(b、c)以及整体vBMD(d)的掩膜以彩色叠加显示。有关图像创建的更多细节请参见图2和“方法” 查看原图 ↗

体积BMD测量的临床阈值

对于小梁vBMD,我们使用了美国放射学会(ACR)提出的骨质疏松诊断阈值(BMD < 80 mg/cm3)和低骨量阈值(80 ≤ BMD ≤ 120 mg/cm3)[24]。对于整体vBMD,我们参照小梁vBMD的截断点制定了新的诊断阈值。因此,我们比较了受试者工作特征(ROC)分析中小梁vBMD与整体vBMD的坐标点,并确定整体vBMD中与相应小梁vBMD截断点几何距离最小的那些点,从而使两种测量指标的敏感度和特异度最为接近。以毫克每立方厘米为单位的截断值四舍五入至最接近的5 mg/cm3档。

统计分析

研究组特征在有无现患椎体骨折的患者之间进行比较,连续变量采用两样本 t 检验,性别采用独立性卡方检验。我们在 logistic 回归中研究了不同骨测量指标与现患骨折状态之间的关联,计算每变化 1 个标准差(SD)的比值比(OR)和 95% 置信区间(CI)。模型额外对年龄和性别进行了校正。在 ROC 分析中计算曲线下面积(AUC),以检验所有骨测量指标预测现患骨质疏松性椎体骨折的分类性能。使用 pROC 包 [25] 中的 DeLong 检验对两条相关 ROC 曲线进行比较。统计分析使用 SPSS(版本 26;IBM)和 RStudio(版本 1.3.1073;RStudio)进行。所有统计检验的统计学显著性水平设定为 p < 0.05。

结果

总体而言,本研究共纳入 192 例患者(女性 141 例,男性 51 例),平均年龄为 70.2 ± 9.7 岁。骨折患者(女性 107 例,男性 41 例;图 2)年龄显著更大(72.0 ± 9.3 岁 vs. 64.3 ± 8.6 岁,p < 0.001),且与无骨折患者相比,所有骨测量指标(基于 DXA 的 aBMD、基于 CT 的 aBMD、手动 vBMD、小梁 vBMD、整体 vBMD 和 BMC,每项 p < 0.001;基于 DXA 的 T 值,p = 0.001)均显示显著更低的值(表 1;图 3)。

无论是否对年龄和性别进行校正,现患椎体骨折均与所有基于 DXA 和 CT 的骨测量指标显著相关(表 2)。然而,差异相当大,与基于 DXA 的测量指标(校正后基于 DXA 的 T 值和 aBMD 均为 OR = 1.9,95% CI 1.3–2.8)相比,所有基于 CT 的测量指标关联更强(从校正后基于 CT 的 aBMD 的 OR = 2.5,95% CI 1.7–3.9 到校正后手动 vBMD 的 OR = 7.3,95% CI 3.8–14.3),校正和未校正 OR 均如此(表 2)。

AUC 分析显示,所有骨测量指标均为现患椎体骨折的统计学显著预测因素(表 3,图 4)。然而,大多数基于 CT 的测量指标性能显著优于 DXA,例如,将基于 DXA 的 aBMD 与整体、小梁或手动 vBMD 进行比较时(AUC = 0.668 分别 vs. 0.735、0.860 或 0.885,每项 p < 0.001;表 3)。仅基于 CT 的 BMC 在区分能力上与基于 DXA 的 aBMD 或 T 值相比无显著差异(AUC = 0.735 分别 vs. 0.668 或 0.67)。

确定了整体 vBMD 的诊断阈值,其将骨质疏松定义为 BMD < 160 mg/cm3,将低骨量定义为 160 ≤ BMD < 190 mg/cm3。与小梁 vBMD 相比,这些切点在预测现患椎体骨折患者方面具有几乎相同的敏感性和特异性(骨质疏松阈值分别为敏感性 84% vs. 86% 和特异性 78% vs. 78%,低骨量阈值分别为敏感性 41% vs. 41% 和特异性 95% vs. 98%)。

表 1 按骨折患病率分层的研究组特征 查看原表 ↗
表 2 现患椎体骨折与归一化基于 DXA 和 CT 的骨测量指标的关联,以比值比(OR)及 95% 置信区间(CI)计算 查看原表 ↗
表 3 基于 DXA 和 CT 的骨测量指标对患者骨折状态进行分类的 ROC 曲线下面积(AUC) 查看原表 ↗
图 4 用于对患者骨折状态进行分类的基于 DXA 和 CT 的骨测量指标的 ROC 图 查看原图 ↗

讨论

所有自动评估的基于CT的骨测量指标均与骨质疏松性椎体骨折的患病率呈高度显著相关,且自动测量与手动测量之间无显著差异。除BMC外,所有基于CT的骨测量指标在椎体骨折患病率的鉴别能力上均显著优于基于DXA的测量指标。

我们报告的老年患者均接受了DXA扫描,这意味着骨质疏松症已被怀疑;因此,至少为轻度(Genant 1级)骨质疏松性椎体骨折的高患病率(77%)并不令人意外。研究人群中的这些差异——加之关注的是现患骨折而非新发骨折,以及使用≤ 1 mm而非2.5 mm轴位层厚对骨折检测具有更好的敏感性[26]——可能导致与Allaire等人相比相对更高的OR值(基于CT的aBMD:OR = 2.7 vs. 1.6;整体vBMD:OR = 4.8 vs. 2.8;小梁vBMD:OR = 6.8 vs. 2.1)[27];然而,基于CT的BMC是一个例外(OR = 2.1 vs. 3.3)。同样,AUC值也相对高于所引研究(基于CT的aBMD:AUC = 0.769 vs. 0.715;整体vBMD:AUC = 0.86 vs. 0.815);同样,基于CT的BMC除外(AUC = 0.735 vs. 0.794)。值得注意的是,BMC是本研究中唯一考虑的非密度骨量测量指标。因此,骨量缺乏对椎体抗压强度的结构支撑(如脊柱骨赘)所引入的误差并未以任何方式得到减轻。

与男性骨质疏松性骨折研究(MrOS)队列中老年男性新发椎体骨折的研究相比,我们报告的AUC值在小梁vBMD方面似乎明显更高(AUC = 0.885 vs. 0.79),但在基于DXA的aBMD方面更低(AUC = 0.668 vs. 0.72)[28]。在另一项针对MrOS队列中临床识别椎体骨折的研究中,这些结果与之平行,整体vBMD值相对较高(AUC = 0.86 vs. 0.82),而基于DXA的aBMD值较低(AUC = 0.668 vs. 0.76)[29]。与MrOS队列这样的社区居住人群不同,我们的研究组存在老年住院患者的选择偏倚,主要为神经外科和肿瘤科患者,并表现出严重的脊柱退变,使面积密度测量不准确[30]。在此背景下,如前所述,BMC可能变得更加不准确。

回顾25年前,骨小梁体积骨密度(vBMD;定量CT(QCT);AUC = 0.81)对椎体骨折患病率的鉴别能力优于面积骨密度(aBMD;双能X线吸收法(DXA);AUC = 0.65)这一认识已为人所熟悉[31]。在此,我们能够在现代扫描仪硬件上重现这些结果。在这方面,最近提出的一种利用在DXA和CT数据上训练的卷积神经网络(CNN)从CT扫描直接估算aBMD的方法值得商榷,因为它将DXA的不准确性传播到了CT测量中[32]。此前,已有研究致力于自动评估CT数据中的骨密度(BMD)[33]。一些自动工具使用亨氏单位(HU)作为BMD的替代指标[34],但由于缺乏针对骨骼的扫描仪特异性校准[35]以及对比剂存在导致的高变异性[15, 36, 37],这种方法预计会产生不准确性。值得注意的是,其他CT衍生生物标志物(如肌肉衰减)的自动评估已显示出预测脆性骨折的潜力[38]。与这些既往研究不同,我们报告的是使用快速可靠的CNN全自动提取的校准骨测量值(aBMD、vBMD或骨矿含量(BMC))。使用该自动框架的早期版本,我们能够在骨小梁vBMD减低的患者中预测腰椎内固定术后的螺钉松动[40]。鉴于整体vBMD的表现几乎与骨小梁vBMD一样好,若能获得整体vBMD的诊断阈值将更为便利,这些阈值可类似于美国放射学会(ACR)为骨小梁vBMD定义的骨质疏松和低骨量标准[24]——这一想法此前已被提出[27]。在此,我们开发了整体vBMD用于骨质疏松和低骨量的阈值。这些诊断阈值应在调查骨折风险的后续研究中加以验证,因为我们未报告新发椎体骨折。

本回顾性研究存在局限性。如前所述,存在选择偏倚,主要为老年患者以及神经外科和肿瘤患者,因为要求他们在1年内同时接受过多排CT和DXA检查。因此,骨质疏松已被怀疑。然而,这正是可能从机会性骨质疏松筛查中获益的人群,因为CT扫描已经存在,而DXA扫描因脊柱退变而容易产生不准确性。此外,肿瘤患者将特别受益于机会性筛查,因为骨质疏松可能作为癌症治疗的副作用出现[39]。

总之,本研究表明,在临床常规CT扫描中对面积和体积骨测量值进行机会性全自动评估是可行的。在这些自动测量指标中,体积和整体vBMD在预测椎体骨折方面表现最佳。基于DXA的测量和非体积测量表现相对较差。最后,我们提出了新开发的整体vBMD诊断阈值,用于骨质疏松(< 160 mg/cm3)和低骨量(160 ≤ BMD < 190 mg/cm3),这些阈值应在后续研究中加以验证。

补充信息

(DOCX 53 kb)

引用

  1. Löffler MT, Jacob A, Scharr A, et al. Automatic opportunistic osteoporosis screening in routine CT: improved prediction of patients with prevalent vertebral fractures compared to DXA. Eur Radiol. 2021. PMID: 33507353. doi:10.1007/s00330-020-07655-2
  2. 全文:PMC8270840(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8270840/

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。