人工智能辅助的骨质疏松症诊断系统可以估计腰椎和股骨的骨密度，并对骨质疏松症和骨量减少患者进行分类，根据发表的研究结果。
“骨质疏松症显著增加了骨折风险，是老年人长期护理依赖和行动不便的主要原因，”东京大学医学研究生院关节重建科学系项目教授森户彻（Toru Moro）博士告诉Healio。“该系统的引入使得即使在没有骨密度（BMD）测量设备的环境下也能实现早期诊断，从而进行及时的预防性治疗和生活方式干预。”
利用“针对残疾的骨关节炎/骨质疏松症研究”中的数据，森户及其同事使用由深度神经网络组成的人工神经网络来估计腰椎和股骨的骨密度值，并将腰椎X光图像分类为骨质疏松症类别。研究人员使用双能X线吸收法（DXA）得出的腰椎和股骨骨密度值和预处理后的X光图像训练深度神经网络，然后使用五折交叉验证评估估计骨密度的准确性。
在分析的1454张X光图像中，森户及其同事发现，骨密度估计性能在腰椎的平均绝对误差为0.076 g/cm²，股骨为0.071 g/cm²。结果显示，分类性能在骨量减少患者的腰椎和股骨中的敏感性分别为86.4%和80.4%，特异性分别为84.1%和76.3%。
“一个特别令人惊讶和引人注目的发现是，AI模型能够以比我们预期更高的准确性估计近端股骨的骨密度——即使在腰椎X光图像中不可见的部分，”森户说。“预测成像范围之外的解剖信息通常被认为是困难的。然而，我们的AI模型展示了基于腰椎X光图像中捕捉的骨相关特征，高精度推断股骨骨密度的潜力。”
目前，森户及其同事正在开发类似的AI工具，用于其他解剖区域，如膝盖、颈椎、胸部和腹部。据森户称，这可能使得在骨科以外的部门，包括内科或外科，进行骨质疏松症和骨量减少的筛查，并“可能导致更多患者被转介给骨科专家进行治疗。”
“在这种情况下，我们的AI系统代表了一种变革性创新——重新定义了骨质疏松症的识别方式、时间和识别者，并重塑了骨科和非骨科护理提供者之间的合作，”森户说。“它也是从骨折后的反应性护理到骨折前的主动预防这一更广泛社会转变的催化剂。这个系统不仅仅是一个诊断工具——它有潜力重新定义骨科在老龄化社会中的作用。”
联系方式：
森户彻，医学博士，博士，可以通过电子邮件联系：moro-ort@h.u-tokyo.ac.jp。
观点
自20世纪80年代末以来，双能X线吸收法（DXA）一直是诊断骨质疏松症和确定骨折风险的“金标准”。它在预测65岁以上人群的骨折风险方面表现最佳。尽管远非完美，但其优势在于辐射量低且历史悠久。
这些研究人员使用人工智能将DXA测量的脊柱和股骨颈（他们说“股骨”，但我认为他们指的是股骨颈而非全髋）与标准的脊柱和髋部X光片进行关联，以获得我将称之为“DXA等效值”的结果。他们报告称，两种方法在脊柱和股骨颈的差异约为0.07 g/cm²，大约是三分之四个T评分单位。尚不清楚这种差异是一致的（在同一方向）还是随机的（“DXA等效值”可能高于或低于DXA）。T评分为-2.0的DXA可能在“DXA等效值”中为-1.3或-2.7。可能比没有好，但不是DXA的替代品。
他们纳入了年仅40岁的患者。对于65岁及以上的老年患者，与DXA的相关性可能更好。缺点是X光片的辐射量大于DXA，并且仅限于单一DXA制造商（Hologic）。
纳尔逊·B·瓦茨，医学博士
主任
Mercy Health骨质疏松症和骨健康服务
辛辛那提
披露：瓦茨报告没有相关财务披露。
发表于：
来源/披露
折叠
来源：Moro T等，《J Orthop Res》，2025年；DOI：10.1002/jor.70000。
披露：森户报告称，东京大学关节重建科学系接受京瓷公司的捐赠支持，但该公司未参与当前研究的设计、执行或资金支持。
【全文结束】
