European Radiology：利用机器学习对腹部和骨盆CT扫描进行骨质疏松和骨质减少的机会性筛查

Tags: 骨质疏松机器学习作者：shaosai 更新：2023-01-26

据统计，在美国目前约有1000万个人患有骨质疏松症。骨量减少是脊柱、前臂和髋部骨折的一个风险因素。据估计，髋部骨折后1年和3年的死亡风险分别约为30%和35%；因此，确定预测髋部骨折的风险因素在临床上十分重要。现阶段，双能量X射线吸收试验（DXA）是测量骨矿物质密度（BMD）和预测骨质疏松症和骨质疏松症的黄金标准。DXA的小梁骨评分（TBS）是对小梁骨微结构的测量，也被用来协助预测未来的骨折风险。

最近，有人提出通过计算机断层扫描（CT）对骨质疏松症和骨质疏松症进行机会性筛选。L1的CT衰减已被用于预测腹部和骨盆CT扫描的骨质疏松症。之前的一份报告显示，L1椎体CT衰减≤90 Houndsfield单位（HU）是预测未来腰椎骨折的最佳阈值，ROC曲线分析确定最佳阈值为90 HU（敏感性=86.9%，特异性=83.9%），相应的AUC为0.895。除了前臂、脊柱和髋部的骨折外，BMD低的患者往往会出现骶骨和骨盆发育不良的骨折。

目前的指南建议，所有的骨质疏松症患者都应该对低BMD进行治疗，而一些骨质疏松症和用FRAX评分计算的10年髋部骨折或主要骨质疏松性骨折的高概率患者也应该对低BMD进行治疗。目前，在临床实践中，L1的CT衰减被用来从腹部和骨盆的CT扫描中机会性地筛查骨质疏松症。然而，由于在腹部和骨盆的CT扫描中可以同时观察到其它骨骼，研究假设其他骨骼的CT衰减可能和L1的CT衰减一样具有预测性，而且包括所有骨骼在内的CT衰减多变量机器学习（ML）模型将比单独使用L1的CT衰减来检测骨质疏松症更具预测性。

近日，发表在European Radiology杂志的一项研究评估l 50岁或以上患者腹部和骨盆CT扫描中可见的几块骨骼的CT衰减之间的相关性，以及是否与DXA BMD和BMD T-cores以及L1-L4骨小梁评分（TBS）相关，为临床更加准确、快速的评估骨质疏松的存在及程度提供了新的影像学技术。

本项研究对394名50岁或以上的患者进行了回顾性评估，这些患者都具有在6个月内的腹部和骨盆的CT扫描和双能量X射线吸收仪（DXA）扫描图像。对L1-L4椎体、骨盆和骶骨的每块骨骼都进行了体积分割，以获得每块骨骼的平均CT衰减。数据被随机分成训练/验证（n = 274，70%）和测试（n = 120，30%）数据集。使用L1椎体的CT衰减、单变量逻辑回归、最小绝对收缩和选择算子（LASSO）和支持向量机（SVM）与径向基函数（RBF）来预测骨质疏松症。在测试数据集中使用DeLong's test比较了使用L1的CT衰减到单变量逻辑回归、LASSO和SVM模型的性能。

所有的CT衰减测量值对骨质疏松症都有预测作用（所有的P<0.001）。SVM模型（准确度=0.892，AUC=0.886）优于使用L1处173.9 Hounsfield单位（HU）的CT衰减阈值的模型（准确度=0.725，AUC=0.739，P=0. 010）、单变量逻辑回归模型（准确率=0.767，AUC=0.533，p<0.001）和LASSO模型（准确率=0.817，AUC=0.711，p=0.007）来预测骨质疏松。

图腹部和骨盆CT扫描的骨骼CT衰减的层次聚类法

本项研究表明，骨盆骨和股骨近端的CT衰减与DXA BMD T-score以及DXA TBS的测量结果具有相关性。其中，髂骨、肩胛骨和骶骨是预测骨质疏松症的最佳指标。利用临床、人口学和所有骨骼的CT衰减的SVM模型比仅使用L1CT衰减更能准确预测骨质疏松症。

原文出处：

Ronnie Sebro,Cynthia De la Garza-Ramos.Opportunistic screening for osteoporosis and osteopenia from CT scans of the abdomen and pelvis using machine learning.DOI:10.1007/s00330-022-09136-0

来源：MedSci原创

版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。同时转载内容不代表本站立场。
在此留言

小提示：本篇资讯需要登录阅读，点击跳转登录

European Radiology：利用机器学习对腹部和骨盆CT扫描进行骨质疏松和骨质减少的机会性筛查

相关推荐