利用胸部X光片开发用于检测股骨颈和腰椎低骨密度的人工智能模型

《Journal of Clinical Densitometry》：Development of AI model for dual detection of low bone mineral density in the femoral neck and lumbar vertebrae using chest radiographs

　　人工智能技术在胸片中检测髋颈与腰椎低骨密度矿质量的应用研究，采用ResNet50架构训练双模型，通过2,728名女性健康检查数据验证，腰椎检测AUC达0.96（准确率89.3%），显著优于髋颈检测（AUC 0.82，准确率75.3%），热图分析显示锁骨及胸椎区域特征显著。

　　

太田由希野|山本公一|片山雄隆|出田貴弘|松澤博明|市田隆男|宇都宮茜|石田隆之

广岛国际大学健康科学学院临床放射学系，日本广岛市东广岛区黑濑学园台555-36，邮编739-2695

摘要

引言：人工智能（AI）技术在检测胸部X光片中的骨质疏松症方面表现出高准确性，为快速且便捷的骨质疏松症筛查提供了巨大潜力。然而，由于骨质流失程度因生活方式和体型而异，因此检测特定部位的低骨密度（BMD）对于早期治疗至关重要。本研究开发并评估了两种深度学习模型，用于检测股骨颈和腰椎的低BMD。

方法：研究数据包括2,728名女性的胸部X光片以及双能X射线吸收测定法（DXA）测得的BMD值[g/cm2]。根据股骨颈（低：1,358例，正常：1,370例）和腰椎（低：562例，正常：2,166例）将胸部X光片分为低BMD组和正常组。深度学习模型采用ResNet50架构进行训练，并进行了10折交叉验证。评估指标包括敏感性、特异性、总体准确率和曲线下面积（AUC）。使用可解释AI生成的热图可视化了与低BMD相关的区域。

结果：该模型在检测股骨颈低BMD方面的准确率为75.3%（AUC：0.82），在检测腰椎低BMD方面的准确率为89.3%（AUC：0.96）。腰椎低BMD的检测准确率比股骨颈高14.0%。腰椎低BMD的患者比仅股骨颈低BMD的患者表现出更严重的骨质流失。热图显示，与低BMD相关的区域位于锁骨和胸椎附近。

结论：所提出的模型能够准确检测胸部X光片中的低BMD，并识别出骨质流失区域，尤其在腰椎检测方面表现优异。早期识别低BMD有助于实施简单有效的筛查，并根据骨质流失部位采取针对性的预防或治疗措施。

引言

骨质疏松症全球影响超过2亿人，被视为一个重要的公共卫生问题。¹骨质疏松性骨折，尤其是躯干部位的骨折，会严重干扰日常生活，在某些情况下甚至会导致患者卧床不起。由于骨质疏松症的治疗可以预防骨折，²因此定期评估骨量并在骨折发生前采取预防措施至关重要。腰椎和近端股骨的双能X射线吸收测定法（DXA）是测量骨密度（BMD）的金标准。³尽管DXA数据采集方法简单、快速且无痛，但筛查率仍低于预期。^{4, 5, 6}Dell和Greene⁷报告称，66至70岁的女性中仅有27%接受了DXA筛查。在日本，建议40岁及以上的女性每五年进行一次骨质疏松症筛查；然而，筛查率仍然不理想。⁸造成这一现象的原因之一是DXA扫描仪的可用性有限。⁹为了解决这个问题，人们探索了使用牙科全景X光片和CT扫描等替代方法来测量BMD。^{10, 11}Kumar等人¹²使用盆腔和胸部X光片在BMD评估中表现出高准确性，尽管盆腔X光片通常不在常规检查中使用。因此，利用常规健康检查时拍摄的胸部X光片进行骨质疏松症筛查可能有助于早期发现骨质减少。

深度卷积神经网络（DCNN）在从胸部X光片中检测骨质疏松症方面表现出高准确性。Jang等人¹³使用被诊断为骨质疏松症的患者胸部X光片训练了一个DCNN，这些患者的腰椎、股骨颈或整个股骨的BMD值低于参考阈值。Wang等人¹⁴在每张胸部X光片上设置了七个感兴趣区域（ROI）进行DCNN训练，但他们的研究仅使用了腰椎BMD数据。先前的研究已报告从胸部X光片中检测腰椎骨质减少的高准确性。¹⁵腰椎X光片常用于诊断骨质疏松症，因为腰椎会因骨质流失而发生变形。因此，胸部X光片中可见的腰椎被认为有助于检测骨质疏松症，尤其是在腰椎区域。然而，很少有研究关注股骨颈的骨质减少检测，而股骨颈是DXA测量的关键部位。¹⁶根据个人生活方式和体型不同，骨质疏松症可能影响身体的不同部位，如腰椎和股骨颈。¹⁶早期检测这些部位的低BMD对于提醒患者和促进早期干预至关重要。因此，本研究旨在开发并评估两种深度学习模型，利用胸部X光片检测和区分股骨颈和腰椎的低BMD。

实验概述和数据收集

本研究开发的两种深度学习模型的流程图如图1所示。一个模型用于检测股骨颈的低BMD，另一个模型用于检测腰椎的低BMD。输入网络的数据为标准的后前位（PA）胸部X光片，该系统能够从输入的胸部X光片中检测出股骨颈和腰椎的低BMD。这些图像来自2,728名在MedCity21接受健康检查的女性患者。

结果

在检测股骨颈低BMD方面，敏感性、特异性、准确率和AUC分别为75.4%、75.2%、75.3%和0.82。而在检测腰椎低BMD方面，这些数值分别为89.5%、89.1%、89.3%和0.96。检测腰椎低BMD的准确率比股骨颈高14.0%。在研究的2,728名患者中，1,358名患者的股骨颈骨密度较低。

讨论

在本研究中，检测股骨颈低BMD的准确率和AUC分别为75.2%和0.82，而检测腰椎低BMD的准确率和AUC分别为89.3%和0.96。AUC值越接近1，模型的分类性能越好。AUC值在0.9到1之间表示高性能，而0.8到0.9之间表示中等性能。²⁶检测股骨颈低BMD的AUC为0.82，表明其性能中等。

结论

我们开发了一个深度学习模型，利用胸部X光片筛查股骨颈和腰椎的低BMD，并评估了其有效性和特点。该模型在检测股骨颈低BMD方面的性能中等，AUC为0.82。相比之下，在检测腰椎低BMD方面，模型的性能较高，AUC为0.96。这些结果表明，该模型在筛查骨质疏松症风险方面具有潜力。

伦理批准

所有涉及人类参与者的研究程序均符合1964年《赫尔辛基宣言》及其后续修订案的伦理标准，且得到了机构审查委员会的批准。

资助

本工作得到了日本学术振兴会KAKENHI的资助，资助编号为23K16809。

利益冲突声明

无。

致谢

我们感谢中村直树先生对手稿的编辑和校对工作。