🔵 骨质疏松性椎体骨折（OVF）是老年人群发病和死亡的危险因素，准确诊断对早期治疗具有重要意义。然而，目前临床OVF的诊断存在误诊率高，就诊率低和工作量大等问题。
🔵 胸腰椎X线侧位片是OVF诊断的首选影像学检查，具有操作简便、快速、实用性更大、辐射剂量更低和总费用更低等优点。我们开发并验证了一种利用深度学习算法在胸腰椎X线侧位片进行椎体骨折诊断的智能辅助诊断系统—AI_OVF_SH。该系统能够自动进行骨骼位置检测、分割、椎体骨折及其分度的诊断。
🔵 AI_OVF_SH系统在骨骼位置检测和分割方面表现出了较高的精度和计算速度。在内部验证集中，AI_OVF_SH模型对骨折诊断的准确性、灵敏度和特异度分别为97.41%、84.08%和97.25%。中度骨折的灵敏度和特异度别为88.55%和99.74%，重度骨折灵敏度和特异度分别为92.30%和99.92%。在外部验证集中，骨折诊断的准确度、敏感性和特异性分别为96.85%、83.35%和94.70%。中度骨折的灵敏度和特异度分别为85.61%和99.85%，重度骨折的灵敏度和特异度分别为93.46%和99.92%。因此，AI_OVF_SH系统是能够辅助放射科医生和临床医生进行椎体骨折诊断的有效工具。
文章简介
2023年7月，由上海市第六人民医院章振林教授带领的研究团队和上海脊影慧智能科技有限公司合作，利用深度学习算法开发了骨质疏松性椎体骨折智能辅助诊断系统（AI_OVF_SH），能够利用X线片快速、准确地识别骨质疏松性椎体骨折。在Journal of Bone and Mineral Research发表文章，题为《Using Artificial Intelligence to Diagnose Osteoporotic Vertebral Fractures on Plain Radiographs》。由章振林教授作为通讯作者。
1、研究背景
骨质疏松症是老年人最常见的疾病，其特征是骨量减少、骨骼脆性增加和骨小梁微结构的破坏，其发生骨折的风险较高，是重要的公共卫生健康问题。我国骨质疏松症和骨质疏松性椎体骨折（OVF）的发生率在过去的30年中显著增加。一项全国流行病学调查的结果显示，40岁以上人群骨质疏松的患病率男性为5.0%，女性为20.6%，椎体骨折的患病率男性为10.5%，女性为9.7%。椎体骨折的发生是骨质疏松症的严重后果，导致患者死亡率和医保支出的增加。因此，早期和准确诊断椎体骨折无论是对个人、家庭还是整个社会都至关重要。早期发现椎体骨折和使用抗骨质疏松药物治疗可降低再发骨折的风险。
X线平片是诊断OVF和监测骨折进展的首选影像学检查。然而，近年来X线扫描的需求和使用量急剧增加，给临床诊断带来了相当大的工作量压力和更长的诊断时间。此外，椎体骨折的漏诊率和误诊率较高。人工智能（AI）有解决这些问题的潜力，数字图像分析和人工智能的发展有可能帮助临床医疗人员准确识别OVF和缓解诊断压力。
近年来，深度学习算法已成功应用于OVF诊断，具有较高的诊断准确性。利用深度学习算法在计算机断层扫描（CT）图像进行椎体骨折诊断的软件在国外已经被开发出来，显示出良好的敏感性和特异性。然而，CT检查的辐射剂量高、复杂性高，不适合早期筛查和社区应用。与CT和磁共振成像（MRI）相比，X线检查具有操作简便、快速、实用性更大、辐射剂量更低和总成本更低等优点。先前的研究表明，将深度学习模型应用于各种类型的X线图像检测骨质疏松的可行性，但大多数研究仅限于髋关节或手腕部。而且，这些研究样本量相对较小，仅通过X线检查进行OVF及其分度的识别尚无研究报道。
2、方法及结果
本研究开发和验证了一种基于深度学习的椎体骨折智能辅助诊断系统—AI_OVF_SH，该系统利用多任务网络进行骨骼位置检测、分割、椎体骨折识别和分级。
骨折诊断（金标准）
本研究采用Genant半定量工具（GSQ）作为诊断骨折及其分级的金标准。该方法是基于椎骨的定量和定性特征的视觉评估。它能够快速、准确地诊断骨折及其分度。GSQ方法已经获得了广泛的使用，并被认为是在流行病学和临床环境中骨折诊断的默认方法。
本研究中所有的X射线图像均由具有相关资格的放射科医生进行阅片。2名放射性专家在所有X线片上评估了是否存在胸椎和腰椎骨折。他们还使用Genant半定量方法对已识别的骨折进行分级，该方法利用高度或面积损失的程度进行分级（1级：20-25%的高度损失或10-20%的面积损失；2级：25-40%的高度损失或20-40%的面积损失；3级：>40%高度损失或>40%面积损失）。前两位专家之间的任何诊断差异随后由第三位放射学专家进行最终裁决。当三名放射学专家中至少有两名达到了一致结论时，确定为最终骨折诊断结果。我们构建了一个名为YOLO-XRAY的椎骨多任务检测网络，用于椎体骨骼位置检测和分割。此外，我们采用网格搜索优化算法对OVF进行分级诊断，该网络由一个用于特征提取的编码器和两个用于检测和分割任务的解码器组成，可以同时检测骨骼位置和分割骨骼区。
AI_OVF_SH系统的整体诊断效果
AI_OVF_SH系统在准确检测椎体位置的基础上实现了骨折分级的诊断，对于中度和重度OVF尤其准确。表2显示了AI_OVF_SH系统使用X线片的诊断效果。在内部验证数据集中，AI_OVF_SH系统的诊断性能达到了97.41%的准确性，灵敏度为84.08%，特异度为97.25%。在外部验证数据集中，AI_OVF_SH系统的准确率为96.85%，灵敏度为 83.35%，特异度为94.70%。
椎体骨折分级的诊断效果
在内部数据集中，使用22,854个胸椎和腰椎来检测椎体骨折分级的诊断效果，结果如表3所示。其中，对于中度OVF，其准确性、敏感性和特异性分别为99.31%、88.55%和99.74%。对于严重的OVF，其准确性、敏感性和特异性分别为99.15%、92.30%和99.92%。
为了测试该系统的外推性，该模型的性能在一个包含1,276名受试者的外部验证集中进行了评估，其结果见表4。对于无椎体骨折，其准确性、灵敏度和特异度分别为96.85%、83.34%和94.70% 。AI_OVF_SH系统在中度、重度骨折中表现出良好的诊断性能。对于中度椎体骨折，其准确性、灵敏度和特异度分别为99.22%、85.61%和99.85%。对于严重的椎体骨折，其准确性、敏感性和特异性分别为99.29%、93.46%和99.92%。
为了便于在临床环境中的可用性，本系统能够自动生成临床辅助诊断报告。这份报告显示了原始的胸腰椎X线侧位片图像，描述了骨骼的位置和椎骨的骨折分级。
3、结论
综上所述，AI_OVF_SH系统可以进行骨骼位置的检测和分割，并对椎体骨折进行精准识别和分级。骨质疏松性椎体骨折智能辅助诊断系统可以帮助放射科医生和临床医生对OVF做出更准确的诊断，简化临床工作流程和提高诊断效率。