人工智能胸部X光检查预测儿童骨密度：新的机会性筛查工具

一项多中心研究表明，深度学习模型可以从儿童常规胸部X射线中准确预测骨密度，为缺乏DXA检查资源的医疗机构提供了便捷的骨健康评估工具。

背景

骨矿物质密度（BMD）是评估儿童骨骼健康的重要指标。对于患有慢性疾病的儿童患者，包括血液肿瘤科疾病、炎症性肠病、肾脏疾病和神经肌肉病变等，低骨密度可能导致骨质疏松症和病理性骨折，严重影响生活质量。目前，双能X射线吸收测定法（DXA）是诊断骨密度异常的参考标准，但这种检查设备昂贵、分布不均匀，特别是在医疗资源有限的地区。

因此，临床迫切需要一种更加便利、成本效益更高的骨密度评估方法。胸部X射线作为儿科临床最常用的影像检查之一，几乎所有患者都会进行。如果能够从这些常规检查中准确预测骨密度，将大大提高骨病高危儿童的发现率，实现更早的干预和管理。

主要发现

• 预测准确性高：该深度学习模型将胸部X射线与临床变量（年龄、性别、身高、体重）结合，在内部测试集中显示预测骨密度与DXA测量值的相关系数为0.85，在外部测试集中为0.76，差异均具有统计学意义（P < 0.001）。
• 诊断性能优异：模型在诊断低骨密度（Z评分≤−2.0）方面表现出色。内部测试集的曲线下面积（AUC）为0.92，敏感性为60%，特异性为95%；外部测试集的AUC为0.90，敏感性为82%，特异性为85%。
• 多群体适用性：模型在多个临床亚组中都能有效识别骨密度异常，包括血液肿瘤患者、炎症性疾病患者、肾脏病患者和神经肌肉疾病患者等慢性病患者。
• 身材矮小患者的预测误差：研究发现，身材矮小与临床上显著的预测误差发生概率增高独立相关（比值比1.99），这提示在应用模型时需要对此类患者群体予以特别关注。

临床意义

这项研究开创了利用常规胸部X射线进行机会性骨健康筛查的新思路。由于胸部X射线的普遍性和可及性，该AI模型可以在儿童接受胸部检查的同时，自动评估骨健康状态，无需额外的放射线暴露或专门的设备投入。这种”顺便筛查”的方式有望显著提高低骨密度儿童的识别率。

对于医疗资源有限的基层医疗机构和发展中地区来说，这项技术意义尤为重大。许多慢性病患儿因为DXA检查可及性差而长期得不到骨密度评估，导致骨病的早期阶段被遗漏。该模型的应用可以帮助医生更早发现和识别存在骨质量异常风险的儿童，从而实施及时的营养支持、运动干预或药物治疗，预防严重的骨骼并发症。

此外，该研究在两家韩国三级医院的多中心设计确保了结果的可靠性。模型在外部测试集上也保持了良好的性能，这增强了该技术推广应用的可信度。

局限性

尽管研究成果显著，但仍存在需要注意的限制。首先，研究主要基于韩国人群的数据，纳入的患者样本可能存在特定的种族和遗传背景特征，推广到其他人群时需要进行适当的验证。其次，身材矮小患者组的预测误差较大（OR 1.99），说明该模型在这类特殊群体中的准确性需要进一步改进。此外，该研究是一项横断面可行性研究，未来还需要进行前瞻性、多中心、多种族的大规模验证研究，以进一步证实模型的临床应用价值。

从技术层面看，该模型基于ResNet-50深度学习架构和多层感知机（MLP）来融合影像和临床信息，但其具体的黑箱机制和可解释性仍需深化研究，以获得临床医生的充分理解和信任。

Original paper: Deep Learning-based Bone Mineral Density Prediction Using Pediatric Chest Radiographs: A Multicenter Feasibility Study. — Radiology. 10.1148/radiol.252761

🎧 收听播客