何猛 唐雄風 郭德明 沈先月 陳博 秦彥國

隨著老齡化進程加快，骨質疏松癥（osteoporosis，OP）成為影響我國中老年骨骼健康的無形殺手[1]。骨折是骨質疏松癥的最嚴重后果，造成相當大的健康、社會和經濟負擔。雙能X線吸收測定法（dual energy X-ray absorptiometry，DXA）等影像學檢查方法廣泛用于骨質疏松癥的診斷，但存在無法確切定量評估骨質量、易受骨贅及鈣化影響、診斷標準單一等問題。目前，深度學習技術飛速發(fā)展，被廣泛應用于醫(yī)學領域。本文總結了骨質疏松癥常用影像學診斷技術的優(yōu)缺點及深度學習技術輔助骨質疏松癥診斷的具體研究進展。

1 骨質疏松癥

1.1 流行病學

骨質疏松癥是一種以骨量減少和骨結構破壞為特征的疾病，導致骨骼強度下降和骨折風險增加[2]。骨質疏松癥在老年人中普遍存在，因通常在發(fā)生脆性骨折前無癥狀或體征，也被認為是一種“沉默的疾病”。目前，中國估計共有1 090萬男性和4 930萬女性患有骨質疏松癥。骨骼礦物質密度（bone mineral density，BMD）值因人口特征而異，我國50歲及以上男性和女性的骨質疏松癥年齡標準化患病率達到6.46%和29.13%[3]。脊柱、髖部或前臂骨折是骨質疏松癥的常見并發(fā)癥[4]。骨質疏松癥的發(fā)病機制主要是成骨和破骨的動態(tài)失衡，導致破骨多于成骨，造成骨代謝紊亂。

1.2 常見影像學診斷

1.2.1 雙能X線吸收測定法

雙能X線吸收測定法（DXA）基礎研究最早于1963年由Cameron和Sorenson[5]描述，至今仍被廣泛用于骨密度的評估。雙能X射線吸收測定法測定的髖部及第1至4腰椎（L1-4）的骨密度是臨床診斷骨質疏松癥的“金標準”[6]。骨密度通常用T值（T-Score）表示，T值＝（實測值－同種族同性別正常青年人峰值骨密度）/同種族同性別正常青年人峰值骨密度的標準差。對于絕經后女性、50歲及以上男性，建議參照世界衛(wèi)生組織（WHO）推薦的診斷標準：T值≥-1.0為正常；-2.5＜T值＜-1.0為骨量降低；T值≤-2.5為骨質疏松；符合骨質疏松診斷標準，同時伴有一處或多處脆性骨折診斷為嚴重骨質疏松[7]。但腰椎和髖部骨質變化易受多種因素的影響，這時需加做前臂骨密度檢測。

1.2.2 定量計算機斷層掃描

定量計算機斷層掃描（quantitativecomputed tomography，QCT）于1977年由Genant和Boyd[8]首次引入，是基于臨床CT掃描數據，經過體模校正和專業(yè)軟件調整，對人體骨骼進行定量評估的技術。與DXA不同，QCT測量的是真正的體積骨礦物質密度（Volumetric BMD，vBMD），單位是mg/cm3，可以區(qū)分骨小梁和骨皮質，不受身高、體重的影響[9]。國際臨床骨密度測量學會推薦測量L1和L2的平均BMD。美國放射學會提出腰椎QCT診斷骨質疏松癥的標準為正常（體積骨密度＞120 mg/cm3）、骨量減少（80 mg/cm3≤體積骨密度≤120 mg/cm3）和骨質疏松（體積骨密度＜80 mg/cm3）[10]。這些閾值是腰椎QCT診斷骨量減少或骨質疏松的金標準。但是QCT檢查放射劑量較大，費用較高，因此并未廣泛應用。

1.2.3 磁共振成像

磁共振成像（magnetic resonance imaging，MRI）沒有輻射，常用于對肌肉、軟骨和骨髓等軟組織進行成像。關于定量MRI，早在20世紀90年代的研究就引入了T2圖像和高分辨率骨小梁成像，可以評估與骨質疏松癥相關的骨微結構[11]。MRI通過骨小梁結構周圍的脂肪基質層發(fā)出的信號變化能夠對骨小梁網絡進行成像，采集實現最大化骨髓信號并增強松質骨的對比度[12]。但MRI不能顯示骨礦物質密度的信息[13]，而且檢查費用較高，存在技術要求。

1.2.4 定量超聲技術

定量超聲技術（quantitative ultrasound，QUS）通過被測量區(qū)域（多為前臂等區(qū)域）的骨骼對超聲波的衰減及反射來呈現骨質密度的變化，還可以反映骨骼力學方面的情況，多作為骨折風險的評估[14]。

1.2.5 放射性核素骨顯像

核素骨顯像對原發(fā)性骨質疏松癥的診斷并無明顯臨床意義，椎體壓縮性骨折時表現為較強的線狀特征性顯像劑分布濃聚帶[3]，骨閃爍顯像對骨質疏松癥患者椎體壓縮性骨折的檢測具有非常高的敏感性[15]。

2 人工智能技術

2.1 人工智能技術在骨科領域的應用

隨著大數據時代的來臨和計算機能力的提高，人工智能已經給醫(yī)療行業(yè)帶來了革命性的變化。人工智能（artificial intelligence，AI）正迅速成為診斷疾病、輔助臨床決策的輔助工具。廣泛的研究表明，基于人工智能的系統(tǒng)在許多骨科疾病的診斷中表現良好，如顯著提高隱匿性骨折的診斷準確率[16]、骨關節(jié)炎診斷準確度達專家水平[17]等。

2.2 人工智能技術在骨質疏松/骨折預測領域的應用

20世紀90年代，人工智能技術首次應用于骨質疏松性骨折識別研究[18]，有助于改善骨折預防策略，該項研究也證明了人工神經網絡（artificial neural network，ANN）在低BMD的預測中并不比常規(guī)統(tǒng)計方法更有優(yōu)勢。

2006年，Chiu團隊[19]提出了一種神經網絡來識別老年人的骨質疏松癥（男性157名，女性1 246名）。研究人群隨機分為三組，訓練組703名，驗證組350名，測試組350名。輸入變量包括人口統(tǒng)計特征、人體測量和臨床數據。輸出變量為非骨質疏松組（T值大于-2.5分）或骨質疏松組（T值為-2.5分或更低），按雙能X射線吸收測定法測量分類。

在2007、2008和2009年，神經網絡和支持向量機（support vector machine，SVM）技術結合骨密度指標及多種參數用于提升X線或超聲圖像對骨質疏松的評估效果[20]，使用SVM技術將各種紋理參數與骨密度參數相結合，并指出最有希望的參數組合，以區(qū)分骨質疏松性骨折組和非骨折組。2008年，人工神經網絡應用于骨骼X線圖像進行圖像像素點識別和定量分析，并能結合提取圖像特征[21]。

2.3 深度學習技術輔助骨質疏松影像學診斷

深度學習（deep learning）是機器學習中一種基于對數據進行表征學習的方法。在這種方法中，復雜的多層神經網絡結構通過將輸入信息轉換為多個抽象層次來自動學習數據的表示。其動機在于建立、模擬人腦進行分析學習的神經網絡，模仿人腦的機制來解釋數據，如圖像、聲音和文本。對于圖像中的模式識別任務，深度卷積神經網絡（deep convolutional neural network，DCNN）是最常用的深度學習網絡。在一個足夠大的訓練集上，DCNN可以學習通過反向傳播迭代調整其權重，從給定任務的訓練樣本中自動提取相關特征。由于學習過程是自動化的，深度學習可以輕松地分析數千或數百萬個案例。因此，只要訓練集足夠大且多樣化，能夠進行分析，深度學習就可以更穩(wěn)健地應對不同類別之間的特征差異[22]。

在骨質疏松診斷和骨折預測領域，醫(yī)學影像占據主導地位。近年來，一些研究已經使用深度學習算法根據醫(yī)學圖像來診斷骨質疏松。因此筆者總結現有深度學習結合骨質疏松影像學輔助診斷的研究進展并進行展望，具體研究如表1所示。

表1 深度學習技術和骨質疏松影像學檢查結合研究

2.3.1 深度學習技術結合雙能X線吸收測定法

自從1987年雙光子吸收測定法轉變?yōu)殡p能X射線吸收測定法（DXA）以來，DXA就一直作為骨質疏松診斷的“金標準”而存在。但是DXA是二維重疊圖像，易受患者體位等因素影響，不能區(qū)分骨小梁和骨皮質，不能處理脊柱重疊組織引起的偽影，從而影響B(tài)MD測量結果的準確性。同時，高質量的DXA測量需要對操作技術人員進行細致的培訓，成本較高。Nazia Fathima等[23]于2020年使用一種改進的帶注意力單元的U-Net模型，從X線圖像和DXA圖像中準確地分割出骨骼區(qū)域。建立線性回歸模型，計算BMD和T值。模型在X線圖像和DXA圖像兩個數據集上都實現了88%的準確率。2021年，Yang等[24]提出一種基于Resblock的深度學習方法，用于在雙能X射線成像中精確自動分割尺骨和橈骨，有利于應用于骨密度的測量和骨質疏松的診斷。通過結合深度學習技術，可以針對DXA圖像進行骨質情況識別判斷，提升了雙能X線吸收測定法檢測骨質疏松的能力。

2.3.2 深度學習技術結合X線平片

骨骼X線平片圖像是骨質疏松診斷最常見的檢查手段。骨質疏松在X線平片上顯示為骨小梁稀疏、骨密度降低[3]。但X線沒有提供任何圖像的臨床解釋及與骨折風險狀況相關的任何參數，無法靈敏顯示早期的骨量變化。2018年，Areeckal等[25]訓練人工神經網絡（ANN）分類器模型，利用手和腕部X線光片的皮質放射測量和松質層紋理分析數據來早期診斷骨量減少和骨量正常，訓練數據中準確率為94.3%，測試數據中準確率為88.5%。2020年，Zhang等[26]則基于腰椎X射線圖像，通過DCNN模型實現了對骨量減少和骨質疏松癥的分類。隔年臺灣桃園長庚紀念醫(yī)院的Hsieh等[27]提出了一種使用X線平片識別骨折、預測骨密度和評估骨折風險的自動化工具，對骨質疏松癥的陽性或陰性預測值為95%，可能有助于識別骨質疏松癥的高危患者。通過訓練深度學習模型，實現在X線平片上即可輔助診斷骨質疏松癥的目的，有效減輕醫(yī)院的診療壓力及患者的經濟負擔。

2.3.3 深度學習技術結合計算機斷層掃描檢查（CT）

隨著深度學習技術的發(fā)展，2018年Tomita等[28]利用深度卷積神經網絡從CT掃描的每個切片中提取放射特征，檢測胸部、腹部和骨盆CT檢查中的偶發(fā)骨質疏松性脊椎骨折，準確率達89.2%，與放射科醫(yī)生在真實臨床環(huán)境中的表現相符。2019年，Krishnaraj等[29]將CT圖像和DXA檢查相結合，描述一種使用機器學習算法從常規(guī)獲取的CT檢查中模擬腰椎DXA評分的方法，能夠有效識別骨質疏松和骨量減少，準確率高達82%，填補了骨密度篩查領域的空白。2020年，Yasaka團隊[30]利用深度學習模型從平掃的腹部CT圖像中預測腰椎的骨密度（BMD），CNN模型估計的骨密度值與DXA獲得的骨密度值顯著相關，實現了骨密度值在CT圖像上的量化。2021年，中山大學Fang等[31]則使用定量計算機斷層掃描（QCT）測量的值為分析的標準，提出一種基于深度卷積神經網絡的CT圖像椎體分割和骨密度（BMD）計算的全自動方法，可能有助于臨床醫(yī)生在脊柱或腹部CT掃描中進行骨質疏松癥篩查。從而實現了CT水平上醫(yī)生級別的骨礦物質密度計算和骨質疏松篩查。2.3.4深度學習技術結合磁共振檢查（MRI）

磁共振成像（MRI）提供了一種在不使患者暴露于電離輻射的情況下對肌肉、骨骼系統(tǒng)進行成像的方法。核磁共振成像常用于軟組織成像，如肌肉、軟骨和骨髓，并且對骨骼中的微觀結構變化敏感，這反過來又可能有助于預測骨折風險。然而，由于骨組織的快速信號衰減和低質子密度，骨皮質和骨小梁的定量評估具有挑戰(zhàn)性[32-33]。Deniz等[32]于2018年提出了一種基于深度卷積神經網絡（deep convolutional neural networks，CNNs）的股骨近端自動分割方法?；贑NNs的股骨近端自動分割精度為0.95±0.02。CNNs提供的高分割精度有助于將骨質量的結構MRI測量應用于骨質疏松癥的臨床實踐。2021年，Yabu等[34]構建了一種在磁共振圖像上檢測骨質疏松性椎體骨折的卷積神經網絡（CNN），模型的準確率為88%，外科醫(yī)生的準確率為87%和80%，模型診斷準確性可與兩位脊柱外科醫(yī)生相媲美。

3 小結與展望

筆者通過文獻檢索，梳理骨質疏松癥常見影像學診斷方法，并對深度學習技術輔助骨質疏松癥影像診斷進行總結。目前骨質疏松篩查可以通過DXA檢查、QCT檢查對就診者骨質進行定量評估[7,10]，也可以經由深度學習模型識別影像數據紋理、形態(tài)學結構等特征來提示骨質情況[25]，并且通過結合定量手段，也可以實現基于深度學習技術的骨質疏松影像學輔助診斷定量精確評估[30]。通過深度學習技術的結合，可以基本實現臨床醫(yī)生的骨質疏松診斷水平[32,34]，有助于解決骨質疏松影像檢查的設備依賴性，從而實現廣泛的早期篩查；綜合醫(yī)院日常診療工作繁重，基層醫(yī)院醫(yī)生診療水平有限，容易出現影像診斷的漏診和誤診，造成醫(yī)療資源的浪費，對患者生命健康造成損傷，通過深度學習技術輔助診斷，可以大大減輕診療壓力，提升診療精確度。雖然目前臨床上對于深度學習技術在骨質疏松癥的使用已經有了一定的研究。但是筆者發(fā)現，現有的研究存在一些局限性：①研究數據多為同設備采集，缺乏不同設備、地域、人群的數據對比，模型診斷精確度提升有瓶頸；②同時研究影像數據集量較小，缺乏大規(guī)模公共數據庫，數據庫的建立存在著一定的倫理和患者隱私上的困擾；③骨質疏松癥的識別不能形成時間維度的判斷，缺乏患者的預防、診斷、治療、用藥、康復運動、后期保養(yǎng)等全過程。因此，我們應當著力于提高數據質量，建立數據標準化體系，同時不斷升級優(yōu)化深度學習算法。此外，還可研究多模態(tài)數據與深度學習技術結合助力骨質疏松癥的影像診斷和早期篩查。

骨質疏松癥是一種無聲的疾病，影響了全世界的人口，可導致患者出現嚴重傷害，劇烈疼痛，長期喪失活動能力甚至過早死亡[35]。人工智能的最新發(fā)展在輔助骨質疏松癥影像診斷方面取得了成功應用。現階段的研究多集中骨質疏松進展的某一階段，未來利用深度學習技術搭建模型來開展骨質疏松患者疾病相關因素研究，結合影像數據進行疾病風險分析及早期篩查，實現對高危人群精準有效的早期干預措施和健康管理；在診療階段，定量評估，提高骨質疏松的影像診斷效率，減輕醫(yī)療壓力，通過對患者骨質的準確評估，明確藥物療效；在康養(yǎng)階段，對患者骨質健康進行長期管理，最終打造針對骨質疏松患者的全流程防護機制，同時結合我國5G通信和大數據技術，有助于解決區(qū)域醫(yī)療發(fā)展及醫(yī)療資源配置不均衡的情況，減輕患者和社會經濟負擔，提高區(qū)域整體醫(yī)療水平。