Deep learning-based identification of vertebral fracture and osteoporosis in lateral spine radiographs and DXA vertebral fracture assessment to predict incident fracture.
研究背景
骨质疏松性骨折是老年人发病和死亡主因之一，但相关疗法使用率低，部分源于临床对椎体骨折检测不足。本研究旨在评估深度学习用于检测椎体骨折和骨质疏松的价值，及其预测未来骨折风险的独立性和实用性。
方法速览
研究使用VERTE‑X（侧位脊柱X光片）和KURE（DXA VFA图像）两个队列。在VERTE‑X队列开发深度学习模型，在KURE队列微调并评估性能。用Cox比例风险模型评估检测结果与未来骨折风险关联，以决策曲线分析评估临床实用性。
主要发现
- 高准确性检测椎体骨折：在VERTE‑X测试集，模型检测椎体骨折AUROC为0.926；KURE测试集，未经微调AUROC为0.891，微调后达0.924。微调可提升模型在不同图像域性能。
- 中等准确性检测骨质疏松：VERTE‑X测试集检测骨质疏松AUROC为0.848；KURE测试集，未经微调AUROC为0.717，微调后提高到0.867。微调显著提升检测性能。
- 与未来骨折风险显著相关：深度学习检测的椎体骨折和骨质疏松与未来骨折风险显著相关，调整临床风险因素和股骨颈BMD后仍显著。
- 组合预测效果更佳：同时检测到椎体骨折和骨质疏松的个体，未来骨折风险更高。VERTE‑X测试集HR为5.60，KURE测试集HR为3.29。
- 具备临床实用性：纳入深度学习检测结果可提高模型预测性能和净收益，减少不必要干预。
总结展望
本研究首次展示侧位脊柱X光片训练的深度学习模型用于DXA VFA图像的可行性，且验证了模型在临床实践的应用价值。不过，研究存在人群和图像来源局限性，骨折定义也存在差异，模型泛化能力需进一步验证。