从HR-pQCT成像中预测骨年龄
Annabel R Bugbird1, Steven K Boyd2
1McCaig Institute for Bone and Joint Health, Cumming School of Medicine, University of Calgary, Calgary AB, Canada; Department of Biomedical Engineering, Schulich School of Engineering, University of Calgary, Calgary AB, Canada.
Bone
|December 14, 2025
概括
一个新的深度学习模型使用高分辨率的外围定量计算断层扫描 (HR-pQCT) 估计了骨年龄. 这种可解释的AI工具提供了简化的骨健康评估,有助于早期检测与衰老相关的骨变化.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 骨生物学 骨生物学 骨生物学
背景情况:
- 高分辨率的外围定量计算断层扫描 (HR-pQCT) 提供了详细的骨微架构见解,但面临着解释性挑战.
- HR-pQCT数据的复杂性阻碍了临床应用和患者对骨健康状况的理解.
研究的目的:
- 开发和验证一个深度学习模型,用HR-pQCT扫描来估计骨年龄.
- 提供骨健康相对于时间年龄的可解释和定量测量.
主要方法:
- 在HR-pQCT扫描中训练有素的深度学习模型从规范队列 (n=1236) 中扫描,并在独立队列 (n=460) 中测试.
- 通过远距离半径和骨扫描评估了2D,3D和组合模型.
- 利用突出度地图来解释模型依赖特定的骨特征.
主要成果:
- 组合的2D模型 (2DRadTib) 显示出强大的性能,测试平均绝对误差 (MAE) 为5.34年 (R2=0.85).
- Saliency 地图表明,皮质骨特征对年轻人至关重要,而皮质和状骨特征对老年人来说都很重要.
- 预测的骨年龄与已确定的HR-pQCT参数有很强的相关性,特别是皮质和密度测量 (ρ = -0.51到0.85).
结论:
- 一个新的深度学习框架准确地预测了HR-pQCT的骨年龄.
- 这种方法通过提供可解释的骨健康总结来增强HR-pQCT的临床效用.
- 该模型有助于早期识别加速骨衰老,并可能改善患者对骨状况的理解.
