AI 能否从常规胸部X线片识别骨质疏松？

输出的是概率评分，不是骨密度读数

AI-OsRM 并不测量骨密度（BMD）。它输入一张标准胸部X线片（CXR），输出一个人属于三个由 DXA 定义的类别之一的概率：骨密度正常、骨量减少或骨质疏松。参考标准来自双能X线吸收测定法（DXA），该方法根据腰椎（L1–4）、股骨颈和全髋的 T 值进行分类；骨质疏松定义为 T 值 ≤ −2.5，骨量减少为 −2.5 至 −1.0 之间，正常为 ≥ −1.0。

论文还报告了第二个目标“骨密度降低”，即把骨量减少和骨质疏松合并（T 值低于 −1.0）。这一区分很重要，因为两个输出来自不同的模型数值：骨质疏松输出是预测的骨质疏松概率，而骨密度降低输出是 1 减去预测的正常骨密度概率。它们在内部验证中按约登 J 指数最大化选出的最佳阈值分别为 0.19 和 0.74。读者比较论文中的敏感度数字时，必须确认它对应的是哪个目标、哪个阈值。

作者对所有患者都套用 T 值分类，不论年龄或绝经状态，尽管指南只建议对 50 岁及以上男性和绝经后女性使用 T 值分类。作者称这一选择是为了反映真实世界的筛查实践并提高泛化能力。

用配对的胸片与 DXA 检查训练

该模型在首尔一家三级转诊医院回顾性开发，使用 2016 年 1 月至 2022 年 12 月间彼此间隔一个月内完成的胸部X线片与 DXA 检查配对。排除无法计算最终 T 值的不确定报告病例，以及后来用于外部验证的患者的胸片后，剩余 26,757 名患者的 51,076 张胸片。这些数据按患者以 3:1:1 的比例分为训练集（16,053 名患者的 30,918 张胸片）、调参集和内部验证集，因此没有患者出现在一个以上数据集中。

骨干网络为 ResNet-18，是在内部验证判别性能上比较卷积网络与视觉 Transformer 后选出的。训练前，图像先做强度窗处理以突出骨骼，再用对比度受限自适应直方图均衡化统一不同扫描仪间的强度分布，并缩放至 224×224 像素。作者使用掩码自编码器预训练来捕捉与骨密度估计相关的细微强度和纹理特征。

多任务设计把 ResNet-18 的最终特征送入两个并行的线性分支：一个做三分类，一个做连续 T 值回归，用交叉熵损失和均方误差损失联合优化，回归权重设为 0.5。作者称这样做的目的是在学习到的特征空间中保留 T 值的顺序关系。在内部验证中，三分类的 ResNet-18 模型对骨质疏松达到 0.90（95% CI 0.88–0.90）的 AUROC，被选为最终模型。

外部队列的患病率差异明显

外部验证使用三个独立的韩国队列。SNUH 队列在时间上分离，取自 2015 年在一个月内完成胸片和 DXA 的患者：6,391 名患者，80% 为女性，中位年龄 61 岁，其中 15% 骨质疏松、48% 骨量减少。两个健康体检队列规模更大、更年轻。HPC 纳入 24,132 人（64% 女性，中位年龄 58 岁），5% 骨质疏松、35% 骨量减少；YSMC 纳入 122,535 人（91% 女性，中位年龄 46 岁），6% 骨质疏松、30% 骨量减少。

这些差异并非无关紧要。健康体检队列的胸片与 DXA 在同一天完成，而 SNUH 队列允许两次检查间隔一个月。骨质疏松患病率从 5% 到 15% 不等，因此相同的敏感度和特异度在不同队列中会产生差异很大的阳性预测值。论文对每个队列分别报告判别性能和基于阈值的操作特征，而不是把它们合并。

判别能力稳定，固定阈值表现不同

衡量所有阈值下判别能力的 AUROC 表现一致。骨质疏松方面，SNUH 为 0.88（95% CI 0.87–0.89），HPC 为 0.93（0.92–0.93），YSMC 为 0.92（0.92–0.92）。骨密度降低方面，SNUH 为 0.88，HPC 为 0.89，YSMC 为 0.88。

在内部验证选出的固定阈值下，表现则不那么一致。骨质疏松在 0.19 阈值下，SNUH 敏感度为 84%（818/979），HPC 为 83%（1,044/1,251），但 YSMC 仅为 53%（3,905/7,342），其特异度为 96%（110,945/115,193）。骨密度降低在 0.74 阈值下，SNUH 敏感度为 77%（3,139/4,065），HPC 为 71%（6,910/9,730），YSMC 为 55%（24,015/43,624）。因此高 AUROC 并不意味着同一阈值在各处都能得到相同敏感度；YSMC 队列更年轻、以女性为主且患病率低，使工作点发生了偏移。

SNUH 队列的亚组分析发现判别能力随年龄显著变化（交互作用 P < .001），AUROC 从 50 岁以下患者的 0.91 降至 65 岁及以上患者的 0.84。敏感度在各年龄组间基本保持，而老年患者的特异度较低。性别、最低 T 值部位、金属植入物、椎体成形术或胸片设备厂商均未发现显著交互作用。作者认为，老年患者的脊柱退行性改变和主动脉钙化可能人为抬高 DXA 得出的 T 值，而胸片上的类似表现也可能干扰模型判断。

健康体检中的预筛权衡

临床效用分析在两个健康体检队列中模拟把 AI-OsRM 作为 DXA 前的过滤器，在骨密度降低输出上扫描 0.20 至 0.60 的阈值。HPC 中 DXA 检查减少 33%–56%，骨质疏松敏感度保持在约 99%，骨密度降低敏感度为 81%–95%。YSMC 中 DXA 使用减少 42%–70%，骨质疏松敏感度为 96%–99%，骨密度降低敏感度为 68%–91%。

0.40 阈值被描述为两个队列中较平衡的工作点：它检出 98–99% 的骨质疏松病例和 80%–90% 的骨密度降低病例，同时使 DXA 检查减少约 50%。骨质疏松的阴性似然比在各阈值下均低于 0.10，作者将其解读为支持排除用途：AI-OsRM 判为低风险时，骨质疏松的可能性很低。阳性似然比随阈值升高而上升。决策曲线分析显示，无论是否做队列特异性概率校准，HPC 和 YSMC 中两个目标均有正的净获益。

这些是模拟结果，不是已部署筛查项目的实际结局。所有纳入者都已接受过 DXA，因此研究无法显示实际有多少人会完成 DXA 转诊，也无法显示更早发现是否会改变骨折结局。

证据的边界在哪里

该研究为回顾性、多中心，但仅限于三家韩国机构，DXA 参考标准按亚洲参考数据库校准。作者指出，对本地参考标准的校准仍有待建立，可能需要队列特异性调参和重新校准。Grad-CAM 图相对弥散，限制了可解释性，尽管代表性病例突出显示了下胸椎、肩带和胸椎。

作者还把工作与既往基于胸片的骨质疏松模型做了定位，指出早期外部验证常不足 1,000 例，而一项 AI 胸片筛查的随机试验是在模型自身的开发机构进行的，干预组 DXA 依从率约为 10%。本文声称的贡献是在三个独立连续队列、合计超过 150,000 人中完成广泛外部验证，并在健康体检人群中明确做了预筛模拟。

阈值决定用途

最具决策意义的结果不是单一 AUROC，而是阈值与队列的配对。在健康体检场景的 0.40 阈值下，AI-OsRM 被呈现为一种排除性过滤器，使 DXA 量减半，同时漏掉约 1–2% 的骨质疏松病例；而在内部验证的 0.19 阈值下，较年轻的 YSMC 队列敏感度降至 53%，不适合用于筛查。因此论文自身的框架倾向于在低患病率体检人群中采用刻意偏高的敏感度阈值，但需注意 0.40 工作点来自两个韩国队列的模拟，尚未经过前瞻性检验。

对考虑机会性筛查的读者来说，实际问题不是模型能否判别，而是针对哪个人群、用哪个阈值。SNUH 队列的年龄梯度——50 岁以下 AUROC 0.91，65 岁及以上 0.84——提示模型的优势在较年轻的健康体检人群中最为明显，而这恰恰是基线骨质疏松患病率最低、排除性过滤器能节省最多 DXA 量的地方。

本文引用的文献