基于人工智能的髋部X线骨质疏松/骨量减少预测流程：一种支持临床决策与DXA分诊的新工具

　　本研究针对骨质疏松/骨量减少早期诊断中DXA（双能X线吸收测定法）可及性受限的临床挑战，开发了一种基于髋部X射线的全自动AI诊断流程。该工具通过四步预处理（单股骨分割、假体识别、近端股骨裁剪）最终实现骨质疏松/osteopenia预测，测试集AUC达86.6%。其五级风险分类系统可灵活适配DXA分诊、偶发筛查及临床辅助诊断场景，为骨密度检测资源不足地区提供了高效解决方案。

　　

骨质疏松是一种以骨矿物质密度（Bone Mineral Density, BMD）降低和骨脆性增加为特征的慢性代谢性骨病，通常直到发生骨折才出现症状，被称为"沉默的流行病"。全球患病率高达18.3%，其中女性（23.1%）显著高于男性（11.7%），在老年人群中更是升至35.3%。髋部脆性骨折作为最严重的后果，年发生率高达每10万人100-200例，常导致长期残疾和死亡率上升。

尽管骨质疏松可通过早期诊断和生活方式干预进行预防和管理，但其诊断金标准——双能X线吸收测定法（Dual-energy X-ray absorptiometry, DXA）却因设备有限、成本高昂和认知度低等问题难以普及。值得注意的是，55岁以上人群中近半数骨折发生在骨量减少（osteopenia）患者中，这是骨质疏松的前期阶段，凸显了早期检测的迫切性。

常规X线摄影因其普及性和频繁使用，在人工智能（Artificial Intelligence, AI）技术的增强下，为骨质疏松/骨量减少检测带来了新机遇。虽然已有研究证明AI模型从髋部X线片检测骨质疏松的潜力，准确率从62.3%到98.1%不等，曲线下面积（Area Under the Curve, AUC）最高达97.0%，但这些模型通常只关注骨质疏松，忽略了需要早期干预的关键阶段——骨量减少，且仅有一项研究提出了适合临床工作流程的全自动端到端管道。

为此，José Acosta-Battle等研究人员在《Skeletal Radiology》发表了题为"An AI-based pipeline for osteoporosis/osteopenia prediction using hip radiographs"的研究，旨在开发并验证一个全自动AI管道，利用髋部X线片同时检测骨质疏松和骨量减少，其设计鲁棒性强，能适应真实临床条件。

本研究采用回顾性数据收集策略，从西班牙马德里Hospital Universitario Ramón y Cajal医院2016年11月至2023年6月（全局研究）及2023年6月至2024年4月（最终评估集）获取髋部X线影像及对应BMD测量值。数据集包含标准前后位髋部X线片，排除其他投照方位或低质量图像，但特意包含了除骨质疏松/骨量减少外的其他病理图像以提升工具完整性。最终全局研究纳入2691张影像（1654例患者），最终评估集使用313张新影像（239例患者）。BMD测量通过DXA设备（Hologic Horizon WI和Hologic Explorer）在股骨颈部位获取，并依据WHO标准按T值分为正常（T≥-1.0）、骨量减少（-2.5<>

关键技术方法包括：1）使用ResNet-18实现单/双股骨图像分类与分割；2）采用另一ResNet-18识别假体股骨并排除；3）基于DeepLab卷积神经网络分割近端股骨区域并裁剪；4）利用DenseNet-169对经对比受限自适应直方图均衡化（CLAHE）预处理后的图像进行骨质疏松/骨量减少预测，并创新性地引入五级风险分类系统（从极高敏感性到极高特异性）以适配不同临床场景。

开发与验证结果

预处理实验表现卓越

在图像分割任务中，ResNet-18模型对200张测试图像（含122张双股骨和78张单股骨）达到99.0%准确率，仅误判2张单股骨图像。假体检测模型对300张测试图像（38张含假体，262张无）实现99.3%准确率，仅漏检2例带小髓内钉的假体。近端股骨分割模型在250张测试图像上获得99.2%像素精度和95.0%Dice系数，证明其能高质量定位目标区域。

骨质疏松/骨量减少预测性能

最终预测模型在包含4172张图像（1563例骨质疏松、2051例骨量减少、558例正常）的数据集上进行训练与测试。DenseNet-169在测试集（826张图像）上取得86.6%的AUC值。研究创新性地提出五级风险分类：第1类（极高敏感度>99%）、第2类（高敏感度>80%）、第3类（敏感度与特异性平衡）、第4类（高特异性>95%）、第5类（极高特异性>99%），使临床能根据筛查或确诊等不同目标灵活选用阈值。

亚组分析显示，排除骨量减少病例后AUC升至93.6%，而排除骨质疏松病例后降至81.2%，表明模型更擅长检测骨质疏松——因其影像学特征更明显，而骨量减少作为中间阶段的变化则较细微。单独测试119例骨折股骨时AUC仅61.4%，证实骨折会干扰预测，支持将其排除在最终工具外。

最终评估验证临床适用性

在313张新影像的最终测试中，管道全流程表现稳定：股骨分割准确率100%（313/313），假体识别99.3%（仅漏检4例金属植入），ROI裁剪98.2%正确（8例部分裁剪失误，1例完全错误）。最终预测在494张裁剪图像（174例骨质疏松、220例骨量减少、100例正常）上获得81.0%AUC，虽较内部测试集下降6.3%，但仍显著优于三名临床医生的肉眼评估（专家医生：敏感度84.3%/特异性31.7%；主治医师：58.6%/65.0%；住院医师：33.3%/86.7%）。

结论与意义

本研究成功开发了一个全自动四步AI管道，能高效处理髋部X线片并预测骨质疏松/骨量减少。其预处理步骤精度高达99%以上，最终预测模型AUC达86.6%，五级风险分类系统为临床提供了前所未有的灵活性。工具三大应用场景包括：DXA分诊（在资源有限地区优先安排高风险患者检测）、偶发检测（因其他原因拍摄髋部X线时识别潜在患者）、以及辅助诊断（当DXA不可及时支持临床决策）。目前管道已实现全自动化，仅需在最终报告中人工排除骨折及低质量图像即可。

研究主要优势在于采用真实临床环境下多设备采集的图像，验证了泛化能力；同时检测骨量减少与骨质疏松，支持早期干预；且全流程自动化便于集成。局限在于单中心设计及回顾性数据，未来需通过多中心研究进一步验证普适性。

总之，该AI工具展现了利用常规髋部X线片大规模筛查骨质疏松性骨病的巨大潜力，尤其为资源有限地区的分级诊疗提供了实用解决方案，有望提升骨质疏松的早期诊断率并优化医疗资源配置。