人工智能用于骨質疏松癥機會性CT篩查的研究進展

【摘要】 隨著全球人口老齡化的加劇，越來越多人群被診斷為骨質疏松癥，其特點是骨密度降低和骨微結構退化，從而導致骨折風險顯著增加，進一步增加患者的精神和經濟負擔。而機會性篩查可在不增加患者經濟、輻射負擔下定量監測骨質變化情況，近來受到越來越多的關注。人工智能技術在醫學影像診斷領域的應用發展迅速，特別是對骨質疏松癥患者的早期、特異性診斷和后續風險評估具有重要的作用。基于此，本文對近年來人工智能在骨質疏松癥患者機會性CT篩查中的研究進展進行綜述。

【關鍵詞】 人工智能 骨質疏松癥 機會性篩查 計算機斷層掃描

Research Progress in Artificial Intelligence for Opportunistic CT Scanning for Osteoporosis/LIAO Ruikun， XIONG Hua. //Medical Innovation of China， 2025， 22（04）： -184

[Abstract] As the global population ages， more and more people are being diagnosed with osteoporosis（OP）， which is characterized by decreased bone mineral density and bone micro-architectural deterioration， leading to a significant increase in fracture risk and further increasing the mental and economic burden on patients. Opportunistic screening， which allows quantitative monitoring of bone quality changes without increasing the economic and radiological burden on patients， has recently received increasing attention. The application of artificial intelligence technology in the field of medical imaging diagnosis is developing rapidly， especially for the early， specific diagnosis and subsequent risk assessment of osteoporosis patients. This article reviews the recent research progress of artificial intelligence in opportunistic CT scanning of osteoporosis patients.

[Key words] Artificial intelligence Osteoporosis Opportunistic screening Computer tomography

First-author's address： Department of Radiology， Shapingba Hospital Affiliated to Chongqing University， Chongqing 400043， China

doi：10.3969/j.issn.1674-4985.2025.04.041

骨質疏松癥作為一種全球性慢性疾病，其特征在于骨密度的顯著降低和骨微結構的退化，導致骨骼變得脆弱易碎。這一疾病在老年人群尤其是絕經后中老年婦女中尤為常見，隨著全球人口老齡化的加劇，預計到2050年患者人數將翻倍[1-3]。傳統診斷方法如雙能X射線吸收測量法（dual energy X-ray absorptiometry，DXA）雖廣泛使用，但存在局限性[4]。隨著計算機斷層掃描（computed tomography，CT）技術的發展，特別是定量計算機斷層掃描（quantitative computed tomography，QCT）技術，為骨質疏松癥的診斷提供了更精確的骨骼三維結構信息[5-6]。然而，額外的QCT檢查可能給患者帶來輻射、時間和經濟負擔[7]。機會性篩查利用現有CT數據，通過QCT后處理軟件進行骨質評估，無需額外輻射和患者負擔[8]。此外，人工智能（artificial intelligence，AI）技術，尤其是深度學習和機器學習（machine learning，ML）算法，在醫學影像分析領域展現出巨大潛力，其自動識別和評估骨骼密度和結構的能力甚至超越了傳統方法[9]。本文綜述了近年來AI在骨質疏松癥機會性CT篩查中的應用現狀和未來趨勢，旨在為臨床工作提供一個全面的視角。

1 骨質疏松的CT機會性篩查

CT機會性篩查是指在患者因其他醫療原因進行的常規CT檢查過程中，通過CT檢查而獲得的影像數據資料來評估骨密度和骨骼健康狀況。目前基于CT的骨質疏松機會性篩查方法主要分為四大類，即異步外部校準QCT、無體模校準QCT、直接使用椎體CT值、CT X射線吸收法（CT X-ray absorptiometry，CTXA）[10-11]。

1.1 異步外部校準QCT

異步外部校準QCT是采用一種已知濃度和材料的校準體模（通常由羥基磷灰石或磷酸鉀制成），該體模在CT掃描中與患者同時或異步掃描以獲得校準數據。在異步外部校準中，校準體模的掃描可以在不同的時間點進行，而不必與患者的掃描同步。通過這種方法獲得的校準曲線用于將患者的CT圖像中的CT值轉換為骨礦物質含量的估計值，從而評估骨密度。Brown等[12]在研究中比較了異步和常規定量計算機斷層掃描的差異性，尤其是圖像的偏差、異步方法和常規方法的方法等效性以及觀察者間的可變性，發現異步校準的QCT可提供與已建立的同步校準的QCT相當的結果，同時在研究中提出異步校準的QCT它可能受到掃描設備性能變化的影響。

1.2 無體模校準QCT

無體模校準QCT不依賴外部校準體模，而是使用患者體內的組織作為參考標準來評估骨密度。在這種方法中，通過在CT圖像中選擇代表不同密度的內部組織（如肌肉和脂肪）區域，來建立一個校準曲線，將曲線與CT值轉換為骨量估計值。Prado等[13]在研究中使用無體模方法和先前建立的閾值來驗證椎體失效負荷閾值，從而推進骨折風險預測的無體模方法。其研究結果表明基于無體模QCT的有限元分析（finite element analysis，FEA）可以進行前瞻性和回顧性研究，評估脊柱偶發椎體骨折風險及其與脊柱曲率和/或骨折病因的關系，同時該研究結果進一步支持應用基于無體模QCT的FEA建模來預測椎骨強度，表明該方法不受外部校準體模的限制，減少了對專用設備的依賴，但其準確性可能受到患者體內組織變化的影響。

1.3 直接椎體CT值法

直接椎體CT值法是直接利用患者在進行其他原因的CT掃描時獲得的椎體圖像來評估骨密度。通過選取CT圖像上特定區域測量該區域的CT值，從而對骨密度達到初步的評估。Perrier-Cornet等[14]在研究中采用椎體CT值直接使用法，比較了腰1椎體中胸腹部及骨盆CT衍生的骨礦物質密度（bone mineral density，BMD）結果與DXA測定下的結果，CT評估表明平均椎體腰1椎體CT值衰減（142.2±18.5），預測骨質疏松性骨折的AUC為0.67，預測椎體骨折的AUC為0.69。椎體CT衰減測量的診斷性能是可以接受的。CT通過在常規CT掃描中評估椎骨骨折和骨密度，提供了對骨質疏松癥的綜合機會性篩查。這種方法對于具有高骨質疏松癥風險的類風濕關節炎患者具有較好的評估作用。該方法的優點在于它不需要額外的掃描或輻射，可以在不影響原有診療流程的情況下為患者提供骨質疏松癥篩查。但其受設備、參數、部位等多因素影響。

1.4 CTXA

CTXA是一種模擬傳統DXA的技術，它使用常規CT掃描數據來生成類似DXA的二維投影圖像。通過分析CT圖像中的X射線吸收差異來評估骨密度，其優點在于可不額外增加輻射和經濟成本。Ziemlewicz等[15]研究人員針對這一技術進行了研究，其研究中調查了靜脈造影劑增強對股骨頸CTXA T評分與DXA相比的影響，其結果顯示，DXA和CTXA之間具有良好的相關性（面積BMD和T分數均為r2=0.824），兩次測量之間沒有差異的趨勢，并且DXA T分數比CTXA高0.18個單位時出現小的偏差。CTXA具有區分正常與低骨礦物質密度的靈敏度，為94.9％。為了在常規的造影后腹部盆腔CT掃描中進行機會性骨質疏松癥篩查，CTXA產生與DXA相似的T評分。由于世界衛生組織骨折風險評估工具工具中現已包括股骨頸CTXA BMD測量，因此這種機會性方法可以幫助增加骨質疏松癥的篩查。綜上，CTXA技術可以達到與DXA相當的評估價值，可作為機會性篩查的工具之一。

2 影像人工智能用于骨質疏松的研究進展

2.1 影像學人工智能

在醫學影像學中，AI技術主要涉及利用先進的算法和計算模型，特別是深度學習和深度卷積神經網絡，通過圖像分割、病灶標識、圖像增強、重建等應用，來分析和解釋醫學影像數據。在骨質疏松的AI研究領域，人工智能技術正逐步展現出其獨特的價值和潛力。如AI算法，尤其是深度學習模型，已被用于自動化骨密度評估。這些模型能夠從CT或DXA掃描中準確提取骨密度數據，從而準確的分級診斷骨質疏松癥。如Lim等[16]學者開展的一項回顧性單中心初步研究中，他們采用了機器學習技術結合腹部和盆腔CT圖像的放射組學特征，對數百名患者的股骨骨質疏松癥進行了預測分析。該研究的結果顯示，通過這種方法預測股骨骨質疏松癥的準確性、特異性和陰性預測值均超過90%以上，表明了其在診斷股骨骨質疏松癥方面具有顯著的有效性。這與傳統的手動評估相比，AI技術可以減少人為誤差，提高評估的一致性和準確性。骨質疏松最大的并發癥是脆性骨折，對于骨折風險的預測，AI同樣能發揮提供更全面的風險評估，如Ulivieri等[17]通過研究評估了一種基于人工智能的脆性骨折預測模型，用于識別雙X射線吸收測定變量，這些變量能夠表征那些容易發生進一步骨折的患者。提示AI技術可用于骨質疏松定量研究，進而預測骨折風險的準確性。由此說明影像學人工智能對于骨質疏松的診斷、評估以及預測的潛力巨大。

2.2 機器學習與骨質疏松

目前人工智能常用機器學習對骨質疏松進行篩查，其優點為準確、高效、智能地對大數據樣本量進行評估，可從多中心、多參數構建診斷、預測模型，對骨質疏松進行定量分析。如Liu等[18]將機器學習應用于臨床數據和CT圖像，構建骨質疏松分級機會篩查模型。提出了一個三層的分層模型，使用臨床數據（包括人口學特征和常規實驗室測試數據）和覆蓋腰椎的CT圖像而不是通過機器學習的DXA數據來檢測骨質疏松癥。采用邏輯回歸（logistic regression，LR）、具有徑向基函數核的支持向量機、人工神經網絡、隨機森林、極限梯度提升算法（extreme gradient boosting，XGBoost）和堆疊泛化集成學習 算法共六種機器學習算法作為分類器來評估模型的性能，此外，為了減少數據分區的影響，數據集被隨機分成訓練集和測試集，分層抽樣重復五次。其結果顯示基于LR的分層模型在區分骨質疏松癥和正常BMD個體方面表現出更好的性能。通過分析表明該模型能夠盡早發現骨質疏松癥，從而預防骨質疏松癥的嚴重并發癥。De Vries等[19]學者則開發了四個機器學習模型，并進行了比較，以預測先前患有骨折的患者未來發生嚴重骨質疏松性骨折（major osteoporotic fracture，MOF）的風險。通過使用Cox回歸，隨機生存森林和人工神經網絡模型比較了用于預測MOF風險的判別能力。其結果顯示對于Cox回歸，其為整個數據集中的一致性指數最高。在骨質疏松癥亞組中，Cox回歸優于隨機生存森林模型和人工神經網絡模型。因此Cox回歸用于在此數據集上開發MOF風險預測模型。通過機器學習，可開發不同類型的篩查、風險預測模型，其研究價值是今后研究的重點方向。

2.3 紋理分析與骨質疏松

影像組學，特別是紋理分析對于骨質疏松的研究具有廣闊的前景。如Valentinitsch等[20]研究開發一種自動識別具有椎體骨折風險的骨質疏松癥患者的定量方法。創新性提出了一種使用多探測器CT圖像進行骨質疏松癥的機會性篩查的自動流程，該流程結合了3D紋理特征和區域體積骨密度（volume bone mineral density，vBMD），其研究亮點顯示局部紋理和密度特征的組合比單獨使用全局vBMD更能區分有和沒有骨質疏松性椎體骨折的患者，通過分析CT圖像的3D紋理特征和骨密度，能夠有效地區分出有椎體骨折風險的患者。這為未來的骨質疏松癥篩查提供了一種新的、自動化的診斷工具，有助于改善臨床治療和患者管理。Kawashima等[21]則探討了紋理分析在非增強頭部CT檢測骨質疏松癥中的應用價值，通過回顧性研究，分別從骨質疏松患者和骨質正?；颊叩钠綊哳^部CT上手動分割斜坡、雙側蝶骨和下頜骨并提取相應的紋理特征，其研究結果顯示來自顱底和頜面骨內多個部位的感興趣區域的特定紋理分析特征可以區分骨礦物質密度正常的患者與骨質疏松癥患者，該研究證明了紋理分析在識別頭部CT骨質疏松癥方面的潛在效用，這可能有助于識別未接受傳統DXA篩查的患者。因此紋理分析對于人工智能應用于骨質疏松的診斷和檢測具有重要價值。

3 人工智能用于骨質疏松CT機會性篩查的臨床研究

3.1 胸部CT與人工智能的機會性骨質疏松癥篩查的臨床研究

在臨床研究中，研究人員探索了將AI應用于胸部CT圖像，用以提高識別和評估骨質疏松癥的可能性及準確性。通過人工智能算法能夠分析CT圖像中的骨骼結構，通過識別骨密度和形態的變化來預測骨質疏松癥的風險。這種方法不僅可以提高診斷的準確性，還可以在患者進行胸部CT掃描時，無需額外的輻射或成本，就能進行骨質疏松癥的篩查。Chen等[22]團隊開發了一種ML分割和放射組學紋理分析（radiomics texture analysis，RTA）的診斷工具用于骨質疏松的篩查，通過自動分割模型從圖像分割模型中提取的放射組學特征開發了一個二級分類器，分類器的性能通過五重交叉驗證進行評估。結果顯示基于低劑量胸部CT掃描的ML分割和RTA相結合進行自動骨密度預測是一種可行的方法，對于肺部篩查期間的骨質疏松癥篩查具有較高的價值。而Yang等[23]以胸部CT影像為基礎，利用AI測量肺癌篩查CT檢查和DXA患者所有胸椎和第一椎骨的衰減值，結果提示每個胸椎和第一腰椎的CT值隨著年齡的增長而下降，特別是在絕經期婦女中，對骨質減少或骨質疏松癥具有較高的預測能力和診斷效果。經臨床數據校正后，CT值每增加10 HU，骨質減少或骨質疏松的風險分別降低32%～44%和61%～80%。且所有胸椎聯合診斷效能高于單椎。同樣提示胸部CT結合AI對骨質減少或骨質疏松的機會性篩查具有重要價值。Peng等[24]利用深度學習建立多中心的基于機會性胸部CT掃描的骨質疏松癥分類和骨密度值預測模型的可行性，并使用獨立測試集驗證其泛化和診斷能力。數據采用多中心、多機型進行分析處理，通過基于深度學習的圖像分割模型結構自動分割模型對骨小梁進行分割，利用密集連接卷積網絡建立三分類模型和骨密度值預測回歸模型，并對模型的性能參數進行了計算和評估。結果顯示預測值與骨密度值呈高度正相關，且呈顯著線性關系。因此利用深度學習神經網絡進行胸部機會性CT掃描，可以準確預測骨密度值并進行骨密度三分類診斷，可以減少專門骨密度檢測帶來的輻射風險、經濟消耗和時間消耗，擴大骨密度檢測范圍，具有廣闊的應用前景。國內鄭飛等[25]團隊探究AI輔助下的CT定量參數在預測骨質疏松性椎體骨折預后中的價值，將樣本量分為病例組和對照組，研究比較了兩組AI中的CT定量參數，包括骨體積分數、骨小梁厚度、骨小梁間隙、結構模型指數。其結果顯示骨質疏松性椎體骨折患者的骨體積分數和骨小梁厚度低于對照組，而骨小梁間隙和結構模型指數高于對照組，骨體積分數、骨小梁厚度、骨小梁間隙、結構模型指數聯合用于診斷骨質疏松性椎體骨折的診斷效能高于單一指標，復發患者的骨體積分數和骨小梁厚度與BMD呈正相關，而骨小梁間隙和結構模型指數與BMD呈負相關。該研究表明，AI中CT定量參數對于骨質疏松性椎體骨折的診斷和預后評估具有重要價值。通過AI技術的應用，可以更精確地評估骨折風險和復發可能性，為臨床提供更高效的影像學檢查方法。Zhu等[26]采用meta薈萃性分析了來自英文出版物系統中的CT機會篩查文獻檢索。該薈萃性分析顯示，使用CT掃描測量的閾值來機會性地識別骨質疏松癥具有合理的綜合敏感度和特異度。因此，AI應用于胸部CT機會性篩查對于骨質疏松的檢出和預測具有較高的臨床應用價值。

3.2 腹部、骨盆CT與人工智能的機會性骨質疏松癥篩查的臨床研究

腹部CT通常用來評估腹部臟器的情況，如肝臟、胰腺、腎臟等。而腹部CT掃描范圍?？梢愿采w到骨盆和腰椎等區域，這些區域的骨密度也可以用來進行骨質疏松癥的評估。隨著越來越多的人因各種原因進行腹部CT檢查，其CT圖像也被探索用于機會性骨質疏松癥的篩查。如Sebro等[27]的研究結果顯示腹部和骨盆CT掃描中的骨骼CT衰減與DXA中BMD T評分以及DXA中骨小梁評分的測量結果具有相關性，表明腹部CT也可用于骨質疏松癥的預測。此外，腹部CT掃描可以同時觀察到多個骨骼，如骨盆骨、股骨近端等，這些骨骼的CT衰減值與骨質疏松癥的風險有關。這些研究為臨床評估骨質疏松的嚴重程度提供了一種更加快速和準確的新型影像診斷技術。國內研究者汪洋等[28]利用單中心腹部CT影像組學特征進行乳腺癌相關骨質疏松癥的機會性篩查，患者均在治療前行腹部CT和DXA檢查，從患者腰3椎體水平的CT圖像中提取了790個影像組學特征，通過組內相關系數篩選出穩定的特征，分為訓練組和驗證組，訓練組用于建立影像組學模型，驗證組用于評估模型的診斷價值。研究結果表明結合影像組學特征和DXA檢查的聯合診斷模型能夠提高臨床診斷的獲益。該研究成功建立了一個基于乳腺癌腹部CT影像組學特征的骨質疏松癥篩查模型，且無需額外的檢查或輻射暴露，為臨床醫生提供了一個高效的工具，以便在乳腺癌治療前及時發現并干預骨質疏松癥Alacreu等[29]采用AI技術評估在腫瘤患者中通過腹部CT掃描進行骨質疏松癥早期檢測的可行性，使用DXA作為參考標準，通過腹部CT掃描測量了腰1、腰2、腰3和腰4椎體的軸向橫截面的椎體骨小梁的CT衰減值，研究結果顯示DXA定義的骨質疏松癥患者的腰1至腰4各椎體水平的BMD值顯著低于其他患者，未校準的腰1中CT衰減閾值為160 HU時，敏感度超過90%，可用于區分骨質疏松癥BMD，研究還對160 HU的閾值進行了外部驗證，提示該閾值具有高敏感度。其結論同樣提示用于其他原因獲得的腹部CT圖像可以在不增加輻射暴露或成本的情況下識別出具有骨質疏松癥BMD的患者。對于腫瘤患者而言，其腹部CT的未校準腰1值比DXA能檢測出更多具有椎體壓縮性骨折的骨質疏松癥患者。

綜上，AI技術應用于腹部CT機會性篩查骨質疏松是行之有效的，可作為傳統DXA篩查方法的有力補充。AI算法能夠有效地分析CT圖像，通過識別和量化椎體的骨密度和結構特征，為臨床醫生提供關于患者骨質狀況的重要信息。

3.3 前臂及手腕部CT與人工智能的機會性骨質疏松癥篩查的臨床研究

通過手臂和手腕部CT對骨質疏松進行機會性篩查是目前研究的新方向，Sebro等[30]提出使用機器學習通過手腕/前臂的CT掃描來進行骨質疏松癥的機會性篩查，受試者對前臂、腕骨和掌骨進行體積分割以獲得每塊骨骼的平均CT衰減，并計算每個腕骨/前臂骨的CT衰減的相關性及其與DXA測量值的相關性，將受試者分為訓練集和驗證集，評估了多變量支持向量機（multi-variable support vector machine，MSVM）在測試數據集中的性能。其結果顯示腕骨/前臂骨的每個CT衰減與DXA測量值之間存在正相關，在預測骨質疏松癥方面的性能最佳，比其他模型以及橈骨33%（AUC=0.576）的AUC值更高，因此該學者研究結果證明通過手腕/前臂的CT掃描進行骨質疏松癥的篩查是可行的，同時使用MSVM技術，比使用單個骨頭的CT衰減值更準確。盡管目前單獨對于手臂和手腕的機會性篩查相對較少，但其研究價值也是值得肯定的。

4 總結與展望

利用CT進行骨質疏松癥篩查的機會性分析，尤其是通過AI技術可提高骨密度測量的準確性和效率。AI技術，特別是基于神經網絡和深度學習的方法，已經被用于自動化的骨分割和識別。這些方法可以處理大量的圖像數據集，以訓練系統準確識別骨骼。隨著CT技術的不斷進步，如錐形束CT、雙能量CT和光子計數CT等這些新技術為機會性CT分析提供了新的機會，但同時也帶來了新的挑戰。未來的研究方向是繼續優化機會性CT骨質分析的準確性，特別是內部校準，這對于多中心、不同掃描機型之間的準確性尤為重要。同時，通過將內部校準與雙能量CT和光子計數CT等新興技術整合，利用這些先進的成像技術進一步提高分析的準確性或成為未來的研究新焦點。

參考文獻

[1]李兵，尚奇，江睿軒，等.血紅蛋白與老年骨質疏松性骨折的相關性分析[J].中國骨質疏松雜志，2024，30（1）：27-31.

[2]段維，楊國慶，楊連.人工智能輔助診斷骨質疏松及預測骨折的研究進展[J].中國醫藥導報，2024，21（4）：58-61.

[3]李琰，劉寧，王曉陽，等.基于高被引SCI論文中絕經后骨質疏松癥的文獻計量和可視化分析[J].中國組織工程研究，2024，28（35）：5681-5687.

[4]戴厚杰，王洪凱.骨質疏松骨重塑分子機制的研究進展[J].中國老年學雜志，2024，44（6）：1515-1519.

[5]趙君祿，劉齋，韓康，等.基于定量CT的機會性骨質疏松診斷：2種定量CT骨密度測量軟件臨床應用比較分析[J].河北醫科大學學報，2024，45（1）：17-23.

[6] SUNG K H，CHOI Y，CHO G H，et al.Peripheral DXA measurement around ankle joint to diagnose osteoporosis as assessed by central DXA measurement[J].Skeletal Radiology，2018，47（8）：1111-1117.

[7] LOFFLER M T，JACOB A，VALENTINITSCH A，RIENMULLER A，et al.Improved prediction of incident vertebral fractures using opportunistic QCT compared to DXA[J].European Radiology，2019，29（9）：4980-4989.

[8]李凱，李新民，閆東，等.腰椎QCT與DXA對老年骨質疏松的診斷差異[J].中華骨質疏松和骨礦鹽疾病雜志，2017，10（3）：271-276.

[9]李燕，朱傳明，楊淑貞，等.定量CT骨密度測定在體檢人群中的臨床應用[J].中國現代醫藥雜志，2022，24（7）：68-70.

[10]陳明月，張雪麗，湯光宇.基于CT的機會性篩查評估骨質疏松癥的研究進展[J].國際醫學放射學雜志，2022，45（4）：459-465.

[11]楊金榮，譚偉，楊帆.基于胸部CT的肺外多器官機會性篩查：綜述與應用前景[J].臨床放射學雜志，2023，42（12）：2006-2010.

[12] BROWN J K，TIMM W，BODEEN G，et al.Asynchronously calibrated quantitative bone densitometry[J].Journal of Clinical Densitometry，2017，20（2）：216-225.

[13] PRADO M，KHOSLA S，GIAMBINI H.Vertebral fracture risk thresholds from phantom-less quantitative computed tomography-based finite element modeling correlate to phantom-based outcomes[J].Journal of Clinical Densitometry，2024，27（1）：101465.

[14] PERRIER-CORNET J，OMOROU A Y，FAUNY M，et al.

Opportunistic screening for osteoporosis using thoraco-abdomino-pelvic CT-scan assessing the vertebral density in rheumatoid arthritis patients[J].Osteoporosis International，2019，30（6）：1215-1222.

[15] ZIEMLEWICZ T J，MACIEJEWSKI A，BINKLEY N，et al.Opportunistic quantitative CT bone mineral density measurement at the proximal femur using routine contrast-enhanced scans：direct comparison with DXA in 355 adults[J].Journal of Bone And Mineral Research，2016，31（10）：1835-1840.

[16] LIM H K，HA H I，PARK S Y，et al.Prediction of femoral osteoporosis using machine-learning analysis with radiomics features and abdomen-pelvic CT：a retrospective single center preliminary study[J].PLoS One，2021，16（3）：1-14.

[17] ULIVIERI F M，RINAUDO L，PIODI L P，et al.Bone strain index as a predictor of further vertebral fracture in osteoporotic women：an artificial intelligence-based analysis[J/OL].PLoS One，2021，16（2）：e0245967（2021-02-08）[2024-05-28].

https：//pubmed.ncbi.nlm.nih.gov/33556061/.DOI： 10.1371/journal.pone.0245967.

[18] LIU L，SI M，MA H，et al.A hierarchical opportunistic screening model for osteoporosis using machine learning applied to clinical data and CT images[J].BMC Bioinformatics，2022，23（1）：1-15.

[19] DE VRIES B C S，HEGEMAN J H，NIJMEIJER W，et al.

Comparing three machine learning approaches to design a risk assessment tool for future fractures：predicting a subsequent major osteoporotic fracture in fracture patients with osteopenia and osteoporosis[J].Osteoporosis International，2021，32（3）：437-449.

[20] VALENTINITSCH A，TREBESCHI S，KAESMACHER J，et al.Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures[J].Osteoporosis International，2019，30（6）：1275-1285.

[21] KAWASHIMA Y，FUJITA A，BUCH K，et al.Using texture analysis of head CT images to differentiate osteoporosis from normal bone density[J].European Journal of Radiology，2019，116：212-218.

[22] CHEN Y C，LI Y T，KUO P C，et al.Automatic segmentation and radiomic texture analysis for osteoporosis screening using chest low-dose computed tomography[J].European Radiology，2023，33（7）：5097-5106.

[23] YANG J R，LIAO M，WANG Y L，et al.Opportunistic osteoporosis screening using chest-CT with artificial intelligence[J].Osteoporosis International，2022，33（12）：2547-2561.

[24] PENG T，ZENG X H，LI Y，et al.A study on whether deep learning models based on CT images for bone density classification and prediction can be used for opportunistic osteoporosis screening[J].Osteoporosis International，2024，35（1）：117-128.

[25]鄭飛，趙博，高姣靜，等.人工智能CT定量參數預測骨質疏松性椎體骨折預后的價值[J].臨床誤診誤治，2023，36（3）：134-138.

[26] ZHU Y Q，TRIPHURIDET N，YIP R，et al.Opportunistic CT screening of osteoporosis on thoracic and lumbar spine：a meta-analysis[J].Clinical Imaging，2021，80：382-390.

[27] SEBRO R，DE LA GARZA-RAMOS C.Opportunistic screening for osteoporosis and osteopenia from CT scans of the abdomen and pelvis using machine learning[J].European Radiology，2023，33（3）：1812-1823.

[28]汪洋，張聯合.腹部影像組學對乳腺癌相關骨質疏松機會性篩查的研究[J].中國醫學計算機成像雜志，2023，29（5）：560-566.

[29] ALACREU E，MORATALL D，ARANA E.Opportunistic screening for osteoporosis by routine CT in southern Europe[J].Osteoporosis International，2017，28（3）：983-990.

[30] SEBRO R，DE LA GARZA-RAMOS C.Machine learning for opportunistic screening for osteoporosis from CT Scans of the wrist and forearm[J].Diagnostics（Basel），2022，12（3）：691.

（收稿日期：2024-06-17） （本文編輯：田婧）