《Archives of Osteoporosis》：Breaking the silence: AI’s contribution to detecting vertebral fractures in opportunistic CT scans in the elderly—a validation study
编辑推荐：
为解决椎体骨折（VFs）诊断不足问题，研究人员验证 AI 算法检测 VFs 性能，发现其表现良好，有助于提升检测水平。
人工智能在老年椎体骨折检测中的研究解读
在骨骼健康领域，骨质疏松引发的脆性骨折是一个不容忽视的问题。随着年龄增长，人体骨微结构逐渐恶化，骨量不断减少，这大大增加了骨质疏松症和骨质疏松性骨折的患病风险。其中，椎体骨折（Vertebral Fractures，VFs）因其较高的发病率、致残率和致死率，成为严重影响老年人健康的重要因素。然而，令人遗憾的是，尽管当前已有有效的治疗手段能够显著降低后续骨折风险和死亡率，但临床上椎体骨折的诊断率却极低，不到三分之一的椎体骨折能被及时发现。这种诊断缺口迫切需要新的识别方法来填补，以实现早期干预，预防未来骨折的发生。
在此背景下，人工智能（Artificial Intelligence，AI）技术的兴起为椎体骨折的检测带来了新的希望。此前研究已表明，AI 算法在利用 CT 扫描进行机会性椎体骨折检测方面展现出一定潜力，但部分研究存在特异性或敏感性不足的问题，且多数研究针对的是中年人群，对于老年人群的研究相对较少。同时，不同的放射学 CT 协议和患者特征可能会对 AI 算法的性能产生影响，这些因素在以往研究中并未得到充分评估。因此，为了将 AI 支持的椎体骨折检测有效转化为临床实践，全面评估 AI 算法在真实世界中的性能至关重要。
来自瑞典林雪平大学等机构的研究人员开展了一项旨在验证 AI 算法（ImageBiopsy Lab [IBL], FLAMINGO）在老年队列中检测椎体骨折性能的研究。研究成果发表在《Archives of Osteoporosis》杂志上，为该领域的发展提供了重要参考。
研究人员采用了多种关键技术方法。首先，研究数据源于林雪平大学医院老年病房 2018 - 2020 年期间另一项关于跌倒和预防跌倒研究的患者。通过查询图像存档与通信系统（PACS），筛选出在跌倒事件前后 6 个月内进行过胸部和 / 或腹部 CT 扫描的患者，这些扫描主要用于非椎体评估，但包含胸腰椎区域。其次，由两名经验丰富的放射科医生独立对扫描图像进行评估，依据 Genant 评分对椎体进行半定量分级，重点关注中度至重度椎体骨折（Genant 评分 2 - 3 级），意见不一致时通过协商达成共识。最后，利用 IB Lab FLAMINGO 软件进行 AI 分析，该软件包含椎体识别模型和椎体骨折检测模型集合，能对胸腰椎区域 CT 扫描进行处理并给出每个识别椎体的骨折等级估计。
研究结果如下：
- 患者及扫描基本情况：研究共纳入 101 名患者，平均年龄 84±7 岁（62 - 103 岁），其中女性 42 名，男性 59 名。分析了 246 次扫描，涵盖 128 次胸部扫描（部分含上腰椎）和 118 次腰部扫描（部分含下胸部），共评估 2136 个椎体。多数扫描（56%）未进行对比增强，41% 的 CT 扫描使用骨内核，其余使用非骨内核。
- AI 算法整体性能：AI 算法在检测中度至重度椎体骨折时，整体表现出较高的准确性（0.93）、敏感性（0.86）和特异性（0.99）。在个体椎体分析中，敏感性为 0.71，但准确性（0.96）和特异性（0.99）相似。
- 亚组分析结果：性别方面，女性的准确性（0.96）高于男性（0.89）；扫描协议方面，非骨内核扫描的准确性（0.96）高于骨内核扫描（0.88）。不同解剖区域（腰椎与胸椎）、对比阶段（非对比与对比扫描）以及年龄（＜85 岁与≥85 岁）对 AI 算法准确性无显著影响。
研究结论和讨论部分指出，该研究表明 AI 算法在老年机会性 CT 扫描中检测椎体骨折具有较高性能。尽管研究存在一些局限性，如多数 CT 扫描仪来自同一制造商、单中心研究以及部分患者多次扫描等，但研究数据集中 CT 协议参数特征明确，且纳入了不同临床适应症的患者，具有一定优势。鉴于 AI 算法的良好表现，未来应开展前瞻性研究，将其更好地融入日常临床工作流程，优化医疗人员与 AI 的交互以及患者后续诊疗过程。这一研究成果对于提高椎体骨折的检测率，改善骨质疏松患者的治疗和预后具有重要意义，有望为临床实践带来新的变革，推动骨骼健康领域的发展。
