腰椎CTハウンズフィールド単位を用いた骨粗鬆症予測：7つの機械学習モデルの性能比較と臨床的意義

Akihiko Hiyama¹, Daisuke Sakai², Hiroyuki Katoh²

¹Department of Orthopaedic Surgery, Tokai University School of Medicine, Isehara, Kanagawa, Japan. a.hiyama@tokai.ac.jp.

European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society

|January 30, 2026

目的:

本研究は、複数の機械学習（ML）モデルを用いて、腰椎コンピューター断層撮影（CT）におけるL1-L4の平均ハウンズフィールド単位（HU）値による骨粗鬆症の予測能を評価することを目的とした。

方法:

腰椎手術を受け、術前3か月以内にCT検査および二重エネルギーX線吸収量測定法（DXA）を受けた50歳以上の患者172名をレトロスペクティブに解析した。骨粗鬆症は、腰椎または大腿骨頸部のいずれかにおけるTスコアが-2.5未満と定義した。L1-L4の平均HU値を唯一の入力変数として、7つの教師あり機械学習（ML）モデルを構築した。モデルの性能は、正解率（accuracy）、適合率（precision）、再現率（recall）、F1スコア、および受信者動作特性曲線下面積（AUC）を用いて比較し、骨粗鬆症スクリーニングのためのHU値に基づく閾値を検討した。

結果:

172名の患者のうち、59名（34.3%）が骨粗鬆症と分類された。骨粗鬆症群は、非骨粗鬆症群と比較してL1-L4のHU値が有意に低かった（105.1 ± 47.5 vs. 140.1 ± 61.3, p < 0.01）。モデルの中では、K近傍法（KNN）が最もバランスの取れた診断性能を示した（正解率：0.714 ± 0.048、F1スコア：0.466 ± 0.073）。ロジスティック回帰およびナイーブベイズは最高のAUCを示したが（それぞれ0.785 ± 0.096および0.777 ± 0.098）、再現率は限定的であった。一方、サポートベクターマシンは中程度の性能を示した。木ベースのモデルは、相対的に低い識別能であった。骨粗鬆症の高リスク群を特定するための最適なHU範囲は、概ね90-130 HUに収束した。

結論:

L1-L4のHU値を用いた機械学習（ML）モデルは、骨粗鬆症のスクリーニングに有用である。KNNは最も堅牢でバランスの取れた診断性能を示し、ロジスティック回帰とSVMは安定した閾値ベースの分類を可能にした。これらの知見は、特にDXAが利用不可能な場合や限定的な状況において、術前の脊椎手術設定におけるCTベースのMLアプローチの有用性を支持している。