作者：山东第一医科大学第二附属医院医学影像科    杨祯

骨质疏松性骨折(OPF)，尤其是髋部骨折和椎体骨折，是老年人发病和死亡的主要原因。全球每年约有890万例OPF发生。OPF可导致生活质量显著下降、死亡风险增加，与正常人群相比，再次骨折风险增加3倍。所有类型的OPF对于老年人来说均显著关联于较高的不良结局风险，OPF的精确预测对于提升临床结局具有关键作用。目前，临床用于OPF预测的方法主要包括骨折风险评估工具(FRAX)，双能X线吸收测定法(DXA)，定量CT(QCT)，磁共振成像(MRI)等传统方法。近年来，人工智能(AI)医疗领域的应用不断创新，尤其是在OPF的风险评估中。机器学习(ML)和深度学习(DL)模型在OPF的应用上，既可以评估脆性骨折的风险，也可以帮助识别和分割多模态影像图像。从这个角度来看，AI在加强和改善OPF风险评估方面发挥着关键作用。

基于传统方法预测OPF

FRAX：FRAX是一种基于计算机用于评估髋部、脊柱、腕部以及肱骨近端等OPF常见部位发生骨折风险的算法。FRAX模型综合考虑了年龄、性别、体重、身高、既往骨折史、父母髋部骨折史、风湿性关节炎、当前吸烟情况、每日酒精摄入量、是否服用肾上腺皮质激素、继发性骨质疏松等因素，综合评估未来10年髋部骨折概率(PHF)及主要骨质疏松性骨折概率(PMOF)。2006年，FRAX工具覆盖了全球80%的人口，能够根据全球不同地区进行调整。此外，FRAX还融入了骨小梁评分(TBS)，并针对类风湿性关节炎、跌倒历史等风险因素进行了改良与优化，但FRAX仍旧有一定的局限性。有研究发现FRAX中并没有将糖尿病纳入风险因素，限制了FRAX在糖尿病患者群体中的应用。Kanis等和Middleton等认为FRAX评分仍未考虑量化糖皮质激素、腰椎骨密度(BMD)、跌倒病史、既往吸烟史等对OPF的影响。虽然现有的基于临床信息的模型在预测脆性骨折方面取得了一定的进展，但这些成果仍有局限，还无法完全契合临床的实际需求。

DXA：DXA是目前测量BMD最广泛应用的技术，也是诊断和管理骨质疏松症的金标准。其检查方法简单、快速、无痛且安全，使用的双能X射线剂量极低，远低于常规X射线和CT扫描。DXA可以提供全身、髋部、前后(PA)、腰椎或前臂的BMD图像。BMD的T分数表示个体的BMD与青壮年参考人群BMD相差的标准偏差。大量研究表明，DXA测得的BMD不仅可用于骨质疏松症的诊断，还能用于骨折风险的预测、分层与预后。尽管，骨量减少是一项重要且易于量化的指标，但大多数脆性骨折发生在面积骨密度(aBMD)T评分高于骨质疏松症阈值的个体中。越来越多的研究表明，单独依赖aBMD作为骨折预测工具存在其局限性，强化骨折风险预测的能力，须综合考虑更广泛的临床风险因素。未来的研究和临床实践应更多地关注于建立一个多因素风险评估模型，以便更精准地预测和管理骨折风险。这种方法将有助于优化个体化的防治策略，提高骨质疏松症患者的生活质量与骨健康。

QCT：QCT是一项成熟且广泛应用的技术，它能够对骨小梁的密度进行精确的体积测量。QCT可以提供不受体型重叠等影响的真实体积骨密度(vBMD)体积测量。中央QCT是利用多个二维切片进行成像的技术，其核心成像区域包括腰椎(特别是L1～L3椎骨)、股骨近端以及其它外周部位。此外，中央QCT还能够提供肌肉、内脏脂肪、外周脂肪质量的测量。然而，中央QCT的主要劣势在于其电离辐射剂量相对较高，且由于大多数扫描仪为单能设备，可能存在骨髓脂肪变化的潜在干扰因素。而高分辨率外周定量计算机断层扫描(HR-pQCT)则依赖桡骨和胫骨的2D切片(厚度为1～2mm)，其辐射剂量极低，因此可以在骨骼的多个部位进行安全成像。这种模式不仅提供了与vBMD、骨骼几何形状和骨骼强度等关键数据的相关信息，还包括了肌肉横截面积和肌肉密度等测量值，这对于评估骨骼强度和负荷能力时考虑的相关假设至关重要。这些数据不仅有助于科研人员深入理解骨骼生物力学性能的变化，还可能在临床中指导骨质疏松症和其它骨科疾病的预防与治疗方案的制订。总之，随着影像技术的不断进步，QCT及其衍生技术如HR-pQCT在骨骼健康评估方面展现出巨大潜力。未来，这些工具有望在精准医学和个体化治疗领域发挥更加重要的角色。

MRI：除了BMD这一关键因素外，骨髓成分、微血管状态及骨小梁结构等因素同样显著影响骨骼强度。其中，骨髓脂肪含量(FF)在OPF风险评估及良恶性椎体骨折鉴别诊断中展现出重要价值。尽管磁共振波谱(MRS)被许多学者认为是MRI定量测量骨髓脂肪的金标准，但其对磁场稳定性要求严格、扫描耗时较长且易受伪影干扰，临床应用受到一定限制。高分辨MRI(HR-MRI)利用自旋回波和梯度回波序列，可实现高精度薄层扫描，清晰呈现骨皮质、骨小梁及骨髓的细微结构，有助于早期识别骨质退化并预测OPF。Manhard等，基于超短回波时间(UTE)MRI的结合水浓度(CBW)和孔隙水浓度(CPW)可作为新型骨折风险评估指标。该方法不仅预测效能与传统手段相当，还能区分不同性别受试者的风险差异。除此之外，结合水是惟一能反映骨韧性并量化骨折能量耗散的参数，具有独特的临床意义。但MRI扫描成本较高、检查时间长、对术后以及幽闭恐惧症患者适用性较差，限制了其在骨质疏松领域的广泛应用。目前，相关研究仍在探索如何优化MRI技术，降低成本、缩短检查时间，以提高其在OPF预测中的实用性。

基于多模态影像的AI预测OPF

AI是一种利用计算机和算法模拟人类大脑思维过程，以进行决策和问题解决的自动化系统。在影像学领域，AI技术的应用同样展现了显著的优势。通过对医学影像的深度分析，AI可以识别出OPF患者骨折风险的早期征兆，甚至在微小的骨损伤或骨结构变化尚未显现为临床症状之前就加以预测。基于DL的影像识别技术可以从X线、CT、MRI等影像中提取细微的骨质变化，通过量化BMD、骨小梁结构的完整性以及骨折前信号变化等关键特征，帮助医师早期诊断OPF及其并发症。ML作为AI的一个重要分支，具备处理大数据、多模态信息的能力，从而构建更为精细的模型。近年来，随着AI和ML的发展，借助多模态影像开展OPF预测及分类已经成为现实。ML凭借构建多个的模型，充分运用海量的训练数据集，对其中有价值的特征识别、提取并深入学习，进而有效提升OPF预测的精准程度。黄承斌等的研究，首次将多个ML模型应用于基于腰大肌CT图像的骨质疏松预测中，而且每个ML模型都取得了显著的效果。这一研究结果进一步支持了肌肉与骨质疏松之间密切关系的观点，并为骨质疏松的筛查提供了一种创新且高效的方法。Germann等从平扫T1序列的MRI图像中提取了未骨折椎体的组学特征，并运用大数据分析技术筛选出与再次骨折高度相关的组学特征。随后，他们建立了ML模型，旨在预测不同椎体再次骨折的风险。研究结果显示，基于组学特征的模型和结合临床信息的综合模型均能有效预测再次骨折的风险。因此，借助影像组学和ML方法进行再骨折预测是可行的。

DL是一系列基于神经网络架构的算法，其通过多层抽象来实现学习。一方面，能够构建脆性骨折风险模型，通过分析多种风险因素及其复杂的相互关系，为骨折风险评估提供量化依据；另一方面，在医学图像识别和分割方面具有很大的辅助价值，例如在处理CT影像图像时，有助于更精准地识别脊柱骨折等情况。例如，DL模型已经能够自动化地分析CT扫描图像中的骨结构，精准评估BMD与骨小梁微结构的变化，从而更准确地预测脆性骨折的风险。这类影像分析工具可以克服人工分析的局限性，减少误诊率和漏诊率，提高骨折风险评估的精确性。最近的研究表明，AI可以通过对传统影像数据的分析，发现与骨脆性相关的隐性病理特征，进而揭示患者可能未被发现的骨骼损伤，尤其是在早期阶段或无明显临床症状时。卷积神经网络(CNN)算法已被广泛应用于评估BMD或检测骨折，包括使用X射线和CT图像的分析。近期的一项纵向研究也探讨了基于脊柱X线图像的DL骨折预测模型，旨在验证其临床实用性。该研究发现，在使用DXA进行的测试集中，即使仅依靠图像来预测女性椎体骨折，DeepSurv模型的预测性能仍然优于FRAX工具。最近，一项创新性研究成功开发了一款基于3DU-Net的深度CNN，首次将3DU-NetDL模型用于椎骨皮质的分割领域，提高了分割的效率和准确性，并为骨质疏松症的诊断、治疗和手术规划提供了定量信息。有研究探讨了一个基于CT成像数据的DL模型在检测髋部骨折方面的应用，以预测未来2年、3年和5年的后续骨折风险。有研究基于DL方法，利用腰椎MRI图像中的多模态数据，研究并开发了一种分割模型，为预测椎体骨折和区分椎体压缩性骨折(VCF)类型提供重要支持。基于多模态影像的DL模型在脆性骨折预测方面有着广阔的应用前景，随着技术的不断发展和完善，有望为骨骼健康管理带来显著的提升。

ML和DL均在评估OPF的风险等方面上被临床广泛应用，二者共同应用于基本影像检查，整合多模态数据进行预测，经过多方细化提升预测性能。ML广义上指所有通过数据训练模型来完成预测或决策任务的方法，须人工提取特征，ML涉及使用统计方法从数据中识别经验模式，具体来说，ML使用数据作为例子来引导学习过程朝向给定的目标，更加适用于小规模数据的训练与小数据场景的应用。DL是ML的一个子领域，是ML更强大的一个子集。提供了能够处理输入和输出变量之间复杂非线性关系的多层模型架构。DL数据需求相对ML更大，其特点是通过多层神经网络自动提取数据的高阶特征，无需人工干预，整个过程从数据输入到最终输出(如分类、预测)完全由神经网络完成，形成一个完整的“端到端”(End-to-End)学习系统。Zhou等的研究开发了基于低剂量CT的端到端的DL系统自动执行椎骨分割和vBMD预测。开发能够在动态环境和多模态数据中取得成功的自适应DL架构至关重要。通过使用强化学习等技术，可以提高模型的弹性及其真实的性能。

最近的研究表明，使用ML和DL模型以及不同的成像模式，骨质疏松症预测的灵敏度、特异性和准确性可达到74%以上。多模态影像将克服传统影像学方法的局限性，DXA体现BMD的宏观变化，QCT可以更精确地测量vBMD，提供骨小梁微结构的高分辨率体积信息，并通过评估骨骼强度和负荷能力提供骨骼生物力学性能，MRI量化骨髓脂肪和结合水浓度，弥补单一模态的局限性。Cheng等从CT和X线中提取影像组学特征，结合影像组学特征与临床因素构建联合模型，该研究首次结合腰椎CT、X线影像组学与临床指标，提供了一种更全面的诊断工具。研究结果表明，多模态联合模型在骨质疏松诊断中表现出色，为临床提供了一种更加高效的工具，弥补了单一影像预测的不足，尤其适用于无法常规使用DXA的场景。有学者开发了基于DL的单模态和多模态模型，利用MRI和计算机断层扫描(CT)预测骨质疏松，融合MRI和CT两种成像模态的特征。多模态模型在测试集上达到97.91%的准确率，显著优于单模态模型。

近年来，随着AI工具在脆性骨折风险预测领域的应用不断深入，预测的准确性得到了显著提升，这种提升超越了传统线性或非线性风险因素组合的预测能力。此外，多模态影像和AI工具之间的协同作用提高了脆性骨折的预测和风险评估准确性。近几年的研究强调了在AI辅助下使用多模态影像作为脆性骨折预测的关键考虑因素。具体而言，AI可以通过分析成像数据、医疗记录以及可穿戴设备收集的高维数据，挖掘其中隐藏的关键特征，从而更精准地识别高骨折风险人群。这一进展对于脆性骨折的早期干预和预防性治疗策略的制订具有重大意义。总之，AI不仅在预测脆性骨折方面表现出强大的潜力，还在影像分析中提供了精准的支持。通过结合影像学数据，AI能够深化对骨质疏松和脆性骨折的理解，为医师提供更加全面和个性化的诊疗方案。这将显著提升患者的治疗效果，降低骨折发生率，并改善患者的生活质量。

总之，AI技术目前仍在不断发展之中，但目前还存在缺乏标准的大规模公共数据库、医学数据的隐私性等问题，未来AI将会针对这些问题不断改进。多模态影像AI技术也将进一步突破，应用于OPF的预测、诊断疗效评估及长期骨健康管理等方面，全面评估OPF风险，改善患者的预后和生活质量。

来源：中国骨与关节杂志2026年2月第15卷第2期

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)