推进骨质疏松症机会性查:使用腹部CT扫描对深度学习算法的多中心验证
Augusto Sarquis Serpa1,2,3, Marcelo Straus Takahashi4, Eduardo Moreno Júdice de Mattos Farina5,6
1Departamento de Diagnóstico por Imagem, Federal University of São Paulo, São Paulo, Brazil. augusto.esd5@gmail.com.
Abdominal radiology (New York)
|October 31, 2025
概括
这项研究开发了一种深度学习算法,通过腹部CT扫描检测骨质疏松症. 经过验证的模型显示在识别骨质疏松症方面具有很高的准确性,有可能改善早期诊断.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 骨质疏松症的诊断通常依赖于使用DEXA扫描测量骨矿物质密度 (BMD).
- 腹部CT扫描广泛可用,可能用于机会性骨质疏松症查.
研究的目的:
- 开发和验证使用腹部CT图像进行骨质疏松症查的深度学习 (DL) 算法.
- 在多个机构中评估算法的诊断准确性.
主要方法:
- 一个回顾性诊断准确性研究,使用CT数据从2022年1月到2022年7月.
- 用一个带有ResNet34骨干的2DUNet进行腰椎体细分.
- 进行了多中心验证,结合了来自五个机构的数据.
主要成果:
- 在CT衍生平均切片平均衰减 (MSMA) 和BMD之间发现了强烈的相关性 (r=0.62).
- DL模型实现了骨质疏松症预测的高AUC:0.96 (内部) 和0.82 (外部).
- 该模型表现出极好的灵敏度 (100%内部,79%外部) 和特异性 (91%内部,81%外部).
结论:
- 通过腹部CTs成功开发了一种DL模型,并通过多中心验证用于骨质疏松症预测.
- 该算法在常规临床实践中对机会性骨质疏松症查有希望.
