基于CT骨肌多任务深度学习的椎体骨折预测新方法

《European Radiology》：Enhancing vertebral fracture prediction using multitask deep learning computed tomography imaging of bone and muscle

本研究针对椎体骨折风险在常规CT检查中常被低估的临床难题，开发了一种整合骨与肌肉特征的CT多任务深度学习模型。该模型在外部验证中表现出色（c-index 0.68），显著优于单纯骨图像模型和传统FRAX评估工具（p<0.01），为利用常规CT扫描进行机会性骨折风险预测提供了可靠工具。

　　

随着全球人口老龄化加剧，脆性骨折的发生率持续攀升，给医疗系统和社会带来沉重负担。椎体骨折作为最常见的骨质疏松性骨折之一，其早期识别和风险预测一直是临床面临的重大挑战。虽然双能X线吸收测定法(DXA)是诊断骨质疏松的金标准，但令人担忧的是，高达60%发生过重大骨质疏松性骨折(MOFs)的患者并未接受规范的骨质疏松治疗或干预措施。这一现状凸显了开发高效骨折风险预测工具的紧迫性。

与此同时，计算机断层扫描(CT)在临床中的应用日益广泛，特别是腹部CT已成为常规检查项目。这些"机会性CT扫描"为骨折风险评估提供了宝贵资源，因为它们无需额外检查成本即可从现有影像中提取关键信息。传统上，机会性CT主要通过分析脊柱松质骨的衰减数据来评估骨密度(BMD)，但最新研究表明，除了骨骼特征外，周围肌肉组织同样对骨折风险具有重要预测价值。肌肉质量下降和脂肪浸润(肌少症)与骨折风险增加密切相关，这意味着同时评估骨和肌肉可能更全面准确地预测骨折风险。

目前临床广泛使用的骨折风险评估工具(FRAX)虽然能基于临床风险因素估算10年内髋部和主要骨质疏松性骨折的概率，但可能无法充分捕捉影像学上的结构和组成特征，如骨小梁退化或肌肉质量等日益被认可的骨折风险决定因素。这一局限性促使研究人员探索更先进的影像分析方法。

在这项发表于《European Radiology》的研究中，Kong等研究人员旨在开发并验证一种基于CT的多任务深度学习模型，能够同时检测现有骨折和预测未来骨折风险。他们创新性地将骨与肌肉数据整合到多任务学习框架中，通过共享任务间信息来提高模型性能，最终为骨折风险评估提供全面解决方案。

研究采用的关键技术方法主要包括：基于2553例50-80岁患者腹部CT扫描开发横断面椎体骨折检测模型；利用多任务学习方法构建5年随访期的纵向骨折预测模型；使用ConvNeXT Tiny架构作为特征提取器；在来自两家独立医院的1506例患者中进行外部验证；采用c-index和不同时间点的AUROC等指标评估模型性能。

临床特征分析结果

研究分为横断面骨折检测和纵向骨折预测两部分。在预测任务中，开发集包含2524例患者，其中572例在随访期间发生椎体骨折。发生骨折的患者在开发集中有更高的当前吸烟率(28.3% vs. 21.6%)和类固醇使用率(17.1% vs. 6.1%)。外部测试集中，骨折组患者的体重指数(BMI)显著较低(22.6±3.0 vs. 23.8±3.6 kg/m²)，类固醇使用率更高(32.5% vs. 21.0%)。开发集中骨折患者的FRAX评分也显著较高。

骨与肌肉模型在基线骨折检测中的性能比较

在基线骨折检测任务中，骨+肌肉模型在开发集和外部测试集中均表现优异，AUROC分别为0.82±0.01和0.80±0.01，显著优于单纯骨模型(p<0.01)。骨+肌肉模型还表现出更高的特异性(开发集0.83±0.01 vs. 0.66±0.01)和敏感性(测试集0.68±0.01 vs. 0.60±0.01)。

单任务与多任务模型在椎体骨折预测中的性能比较

多任务学习显著提升了模型性能。在外部测试集中，骨+肌肉多任务模型在2年、3年和5年AUROC上均显著优于单纯骨模型(0.79 vs. 0.75、0.71 vs. 0.68、0.71 vs. 0.69，所有p<0.01)。多任务模型的c-index为0.68，也显著优于单任务学习模型。

影像模型与临床模型的性能比较

影像多任务模型显著优于所有临床模型。在开发集中，影像模型的c-index为0.73±0.01，而最佳临床模型仅为0.58±0.01(p<0.01)。在外部测试集中，影像模型(c-index 0.68±0.01)同样显著优于临床模型(最高0.61±0.10)。值得注意的是，将影像模型与临床模型结合并未带来一致的性能提升，在某些情况下甚至降低了预测准确性。

模型可解释性分析

通过Grad-CAM(梯度加权类激活映射)技术可视化模型关注区域发现，模型 consistently 聚焦于椎体区域，表明其决策过程依赖于临床相关区域，增强了模型的可信度和临床可接受性。

研究结论与讨论部分强调，整合肌肉特征能显著提高椎体骨折风险预测的准确性，而多任务学习的应用进一步优化了模型性能。这种综合评估方法反映了骨强度受骨密度和周围肌肉结构共同影响的复杂本质。与主要依赖临床信息和BMD数据的FRAX不同，该CT影像模型展示了可比或更优的性能，表明CT图像能提供更详细的骨折风险信息。

尤其重要的是，向仅包含影像的模型添加临床变量并未显著改善性能，这可能是因为数据集已针对年龄、性别和BMI进行匹配，且部分临床信息已隐含在影像特征中。这一发现具有重要临床意义：未来的机会性CT扫描可在无需额外临床数据的情况下自动评估骨质疏松性骨折风险，从而简化预测流程。

从转化医学视角看，该模型可集成到现有放射学工作流程中，通过将风险预测管道嵌入图像存档和通信系统(PACS)，实现从常规腹部CT扫描中直接进行机会性椎体骨折风险评估。这将有助于早期识别高风险患者并及时干预，有望改善患者预后并降低医疗成本。

该研究的优势包括：创新性地将肌肉数据纳入预测模型，应用多任务学习技术提升性能，使用来自不同医院的独立数据集进行外部验证确保结果可靠性，以及直接比较影像模型与传统临床模型明确其附加价值。研究也存在一些局限性，如回顾性设计可能引入选择偏倚，主要数据集来自单一机构可能限制模型普适性，以及随访时间有限未能评估长期预测性能。

总之，这项研究为利用常规CT扫描进行骨折风险预测提供了有力工具，通过整合骨肌特征和多任务学习策略，显著提升了预测准确性，为骨质疏松性骨折的早期预防和干预开辟了新途径。