基于胸部X光片的AI机会性骨质疏松风险分层:一项以男性为主真实世界队列中VeriOsteo? OP的独立验证研究

《Animals》:Prevalence of Elephant Endotheliotropic Herpesvirus (EEHV) in Wild and Captive Bornean Elephants (Elephas maximus borneensis) Sampled During Conservation Management Activities in Sabah, Malaysia

【字体: 大 中 小 】 时间:2026年09月30日 来源:Animals 3.2

编辑推荐:

  摘要专业翻译 背景: 骨质疏松症是一项重大的公共卫生问题,也是脆性骨折的主要原因,然而基于双能X射线吸收测定法(DXA)的筛查仍受限于可及性和利用率。基于人工智能(AI)对常规采集的胸部X光片(CXR)进行机会性分析,可能有助于骨质疏松症的风险分层。本研究旨在

  
摘要专业翻译 背景: 骨质疏松症是一项重大的公共卫生问题,也是脆性骨折的主要原因,然而基于双能X射线吸收测定法(DXA)的筛查仍受限于可及性和利用率。基于人工智能(AI)对常规采集的胸部X光片(CXR)进行机会性分析,可能有助于骨质疏松症的风险分层。本研究旨在一个真实世界、以男性为主的队列中,独立验证一款已获监管批准的深度学习模型(VeriOsteo? OP)。方法: 研究人员回顾性分析了2023年在一家医疗中心同时接受CXR和DXA检查的2336例患者,其中男性1688例(72.3%),女性648例(27.7%)。骨质疏松症定义为DXA T值≤?2.5。AI性能通过敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)、准确率和受试者工作特征曲线下面积(AUC)进行评估,并进行性别特异性亚组分析。结果: 该AI模型达到了76.97%的准确率、69.67%的敏感性、84.64%的特异性、82.66%的PPV和72.65%的NPV。总体AUC为0.854(95% CI,0.839–0.868)。男性AUC为0.825(95% CI,0.794–0.854),女性AUC为0.849(95% CI,0.831–0.866)。男性的PPV低于女性(60.00% vs. 83.39%),而其他性能指标大致相当。AI的最佳截断值在男性(≤?1.9)和女性(≤?2.5)之间也存在差异。结论: 在真实世界队列中,该AI模型利用CXR进行机会性骨质疏松风险分层展现出良好的判别能力。其适度的敏感性和男性中较低的PPV提示AI辅助骨质疏松评估可能存在性别相关差异。该模型最适宜的用途可能是作为辅助性风险分层和DXA优先排序工具,用于识别可能受益于后续DXA评估的个体,而非独立的诊断测试。

论文解读文章

一、研究背景与意义

骨质疏松症是一种常见的慢性代谢性骨病,以骨密度(BMD)降低和骨组织微结构退化为特征,导致骨骼多孔化并增加骨折易感性。该病常被称为“沉默的疾病”,因为在骨折发生前大多无明显症状。骨质疏松相关骨折,尤其是椎体和髋部骨折,给医疗系统带来沉重负担,涉及住院、长期护理和残疾相关的巨大费用。随着全球人口老龄化,骨质疏松症的患病率持续上升,已成为主要的公共卫生问题。以台湾地区为例,2004–2008年台湾营养与健康调查显示,50岁以上男性患病率为22.57%,女性为41.17%。然而,该病的筛查状况仍不理想,原因包括公众认知不足和医疗可及性障碍。
目前诊断骨质疏松症的金标准是双能X射线吸收测定法(DXA),通过测量腰椎和髋部等关键部位的骨密度进行诊断。然而,DXA用于人群筛查和治疗监测受到可及性有限和费用较高的制约。虽然定量超声(QUS)是更经济便携的替代方案,但其诊断准确性往往较差。这些限制导致该病大量漏诊,凸显了对更有效、更可及筛查策略的迫切需求。
人工智能(AI)的出现为通过“机会性筛查”革新骨质疏松筛查提供了宝贵机遇——这一范式利用已有的医学影像识别高风险个体。该方法可在不增加额外辐射、费用或时间负担的情况下显著提高检出率。虽然深度学习模型已成功应用于手部、腰椎和骨盆X光片,但这些影像并非普遍开展。为克服这一局限,本研究策略性地采用胸部X光片(CXR)——这是全球最常进行的影像学检查之一,也是常规健康体检的标配项目,尤其在许多亚洲人群中。
基于此,研究人员开发了VeriOsteo? OP,一款用于从CXR进行机会性骨质疏松筛查的AI软件。该工具使用深度学习算法分析胸腰段交界区(T12-L1)——该区域极易发生骨质疏松性压缩骨折——并以DXA衍生的骨密度作为金标准参考进行训练。然而,文献中存在一个关键空白:经过严格关键性临床试验并获得监管批准的AI诊断工具十分稀缺。虽然VeriOsteo? OP在其关键性研究中展现出高效能,但该队列以女性为主(82%)。深度学习模型在男性为主人群中的泛化能力仍未得到充分探索。本研究并非开发新算法,而是利用某退伍军人总医院的真实世界队列(72.3%为男性)对VeriOsteo? OP进行独立验证,作为在显著不同人口统计学分布下的关键“压力测试”,旨在评估模型对人口统计学域偏移的稳健性,并阐明AI机会性骨质疏松筛查在常规实践中跨生物学性别的临床效用。

二、研究设计与方法

本研究为在台湾台中荣民总医院进行的单中心回顾性验证研究,研究方案经该院伦理审查委员会批准。研究人员最初通过医院影像归档与通信系统(PACS)检索确定了2023年1月1日至12月31日期间接受后前位(PA)胸部X光片的18500例个体。纳入标准包括:年龄≥50岁;CXR和DXA检查在12个月内完成;CXR图像具有足够的诊断质量。排除标准包括存在显著脊柱内固定物、可能干扰图像分析的严重脊柱侧凸,或人口统计学及DXA数据不完整。最终2336例患者纳入分析,其中2129例有腰椎DXA数据,207例腰椎数据不可用或按预定标准排除,使用可用的髋部DXA数据进行分类。该数据集与先前关键性研究(2016–2020年数据)在时间和患者上完全无重叠。
骨质疏松症诊断的参考标准为DXA扫描(GE Lunar iDXA系统)获得的T值,依据世界卫生组织(WHO)标准。最终DXA T值定义为腰椎(L1-L4)或股骨颈测得的最低T值,T值≤?2.5判定为骨质疏松。索引测试为VeriOsteo? OP(版本1.00.3000;宏碁医疗股份有限公司),该软件持有台湾食品药物管理署(TFDA)二类医疗器械许可证。模型自动识别T12-L1作为感兴趣区域,基于图像特征生成预测骨密度T值(“CXR T值”)。CXR图像由AI模型全自动处理,操作者对DXA结果设盲。统计分析使用IBM SPSS Statistics 26.0版,采用Wilson分数法计算95%置信区间,AUC的95%置信区间采用非参数方法,亚组间AUC比较采用DeLong检验。

三、研究结果

3.1 患者特征
研究期间约18500例患者接受胸部X光检查,其中2700例同时接受DXA。经纳入排除标准筛选后,2336例纳入最终分析。患者平均年龄69.9±10.4岁,男性占72.3%(1688/2336)。平均DXA T值(参考标准)为?2.4±1.1,腰椎特异性平均T值为?1.3±1.8。AI模型生成的平均CXR T值为?2.1±1.0。CXR与DXA检查的平均间隔为126.4±108.9天,中位数为102天(范围0–365天)。男性队列在年龄、BMI和DXA T值方面呈现广泛分布,反映了真实世界人群的临床异质性。
3.2 CXR AI模型的诊断性能
以DXA T值≤?2.5为标准,AI模型检测骨质疏松的敏感性为69.67%,特异性为84.64%,总体准确率为76.97%,阳性预测值(PPV)为82.66%,阴性预测值(NPV)为72.65%。AI预测T值与DXA T值高度相关(Pearson r=0.732,p<0.001),表明模型能够从常规胸部X光片中提取与骨密度相关的特征。与既往文献相比,该相关系数优于Sato等(2022)报告的0.63,但低于Tseng等(2024)关键性研究中报告的0.88。Yoshida等(2025)的研究提示,结合正位和侧位CXR视图可显著提高腰椎BMD估计的准确性(R=0.766 vs. 仅正位R=0.709),表明未来整合多视图影像数据可能进一步增强模型性能。
性别亚组分析显示,模型在女性队列中表现出更优的判别能力,AUC为0.849(95% CI:0.831–0.866),特异性为79.09%,PPV为83.39%。男性队列的AUC为0.825(95% CI:0.794–0.854)。值得注意的是,两性敏感性大致相当(约74–75%),但男性PPV数值上低于女性(60.00% vs. 83.39%),可能反映了男性骨质疏松患病率较低以及退行性改变等混杂因素的影响。性别特异性CXR/AI截断值通过Youden指数确定,男性为≤?1.9,女性为≤?2.5。由于这些截断值是在同一队列中进行样本内优化的探索性分析,相应性能估计应视为探索性结果,需在独立队列中进一步验证。

四、讨论与结论

本独立真实世界验证队列中,VeriOsteo? OP对骨质疏松展现出中等至良好的总体判别性能,AUC为0.854,特异性为84.64%。然而,其性能低于原始关键性验证报告的水平,尤其在敏感性方面。该性能差距可能归因于以下因素:首先是队列特征差异和域偏移——原始模型在78%为女性的群体上训练,而本队列72.3%为男性,男性中退行性改变(如骨赘或主动脉钙化)的更高患病率可能影响AI可用的影像特征;其次是影像输入类型——模型仅依赖单一后前位投影,可能内在限制其提取更全面骨密度相关特征的能力;第三是机会性筛查情境下的权衡——敏感性69.67%意味着部分骨质疏松患者会被漏检,因此模型不应用于排除骨质疏松或替代DXA,但84.64%的特异性有助于优先安排患者进行确认性DXA评估。
本研究的优势包括:对已获监管批准的AI模型在全新2023年数据集上进行独立验证,显著增强了模型的外部效度;2336例患者的大规模验证队列为模型真实世界适用性提供了有力证据;利用常规胸部X光片进行骨质疏松风险分层具有深远的实践效用,可融入现有临床工作流程而无需额外影像检查或辐射暴露。
本研究存在以下局限性:模型敏感性中等,目前应主要用于机会性风险分层和DXA优先排序而非独立诊断工具;男性为主的队列(72.3%)与关键性研究的女性为主群体不同,女性参与者数量较少可能限制了性别分层发现的统计效能和泛化性;回顾性单中心设计及仅纳入同时接受CXR和DXA的患者可能引入选择和谱系偏倚;CXR与DXA检查时间差异可能引入测量变异;AI目标区域(T12-L1)与DXA参考部位(腰椎L1-L4和股骨颈)的解剖学不一致可能解释部分AI-DXA不一致;临床信息如年龄、性别、身高、体重和骨折史未纳入AI模型;仅使用单一正位视图可能限制可用骨骼信息;队列存在部分验证偏倚可能,DXA并非系统性对所有接受胸部X光检查的患者进行;队列中骨质疏松患病率(51.2%)高于一般人群(约22–41%),PPV和NPV可能无法直接推广到社区或低患病率的机会性筛查场景。
研究结论:这项在男性为主队列中的独立验证确认了AI模型的高特异性,但揭示了与以女性为中心的关键性研究相比敏感性中等。观察到的性能差距凸显了人口统计学域偏移的挑战,尤其是男性人群中性别特异性骨骼特征的影响。因此,虽然该模型目前作为独立工具存在局限,但其高特异性支持其在机会性风险分层和DXA优先排序中的效用。未来优化必须聚焦于使用多样化数据集进行再训练,以确保跨生物学性别的稳健性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号