同济大学附属同济医院程黎明、朱融融团队VIEW：深度学习利用CT影像预测骨质疏松椎体再骨折

骨质疏松性椎体压缩性骨折（osteoporotic vertebral compression fracture，OVCF）一直被认为是骨质疏松症最常见的表现，可引起疼痛和致残，患者生活质量显著下降，现有的治疗方法有保守治疗及手术治疗。手术治疗能快速缓解疼痛，但研究表明，初次骨质疏松性骨折患者有50％将会发生再次骨质疏松性骨折。因此，对骨质疏松性椎体骨折进行提前预测和干预，显得尤为重要。

同济大学附属同济医院/脊柱脊髓损伤再生修复教育部重点实验室程黎明教授和朱融融教授团队，回顾性分析了2011年至2022年同济大学附属同济医院103例两次OVCF患者的CT图像，利用卷积神经网络（Convolutional Neural Network, CNN）进行模型训练优化，建立了一套精准高效、操作简易、省时低消耗的预测体系，建立一种基于CT影像方便快捷、高效精准的骨质疏松性椎体骨折/二次骨折的预测体系。

我们收集临床资料完整的再次OVCF患者影像数据，平均年龄75.2±4.6岁;对照组平均年龄74.2±4.3岁，两组患者年龄差异无统计学意义。再次OVCF组共120个TVs(胸椎30个，腰椎90个)，收集患者共获得5507个CT图像(图1)。两次OVCF组相比，骨折椎数、骨折位置、治疗方法无明显差异。胸腰椎(T10-L2)是每个OVCF中最常见的骨折部位(72.3比60.0%)。骨折的原因以坠落伤为主，但23.3%患者在无明显诱因的情况下再次发生OVCF，且首次OVCF与再次OVCF差异有统计学意义，提示后续骨折高危人群在日常生活中应注意脊柱保护及预防干预。

图1：CT图片的获取：首选按照图片要求格式从影像系统中下载第二次骨折前的所有椎体CT横断面，将第二次骨折的椎体命名为阳性椎体，采集该椎体对应范围内的CT横断面图像，范围包括椎体上下各一个椎间盘。

基于上述数据利用CNN进行预测模型进行训练和评估，共23383张CT扫描图像，其中18781张图像来自70例未发生OVCF的患者，4602张图像来自91例再次OVCF的患者，其余12例再次OVCF患者数据用于独立测试。在训练前，我们将每一类患者的80%分割为训练组，包含18717张CT图像，另外20%的患者作为测试组，共包含4666张CT扫描图像。（图2）在训练过程中，我们对训练数据集进行了五次交叉验证，目的是调优模型的超参数，然后利用测试数据集对预测模型的性能进行评价。

图2：（a）模型建立流程图；（b）模型结构示意

模型构建完成后，在测试数据上进行评测，模型在ROC-AUC、PR-AUC方面都取得很好的表现，表明该模型具有较低的假阳性和假阴性率。模型在整个测试数据集上的准确率达到0.839，在独立测试集（905张CT图像，12例患者）上对再次骨折的预测准确率达到0.817，表明模型具有较高的预测准确率，说明我们的模型能够进行再次OVCF的预测而不存在过拟合的问题。此外，我们通过CAM（Class activation maps）以深入了解模型的工作原理。图上的蓝色区域代表低注意力，而红色区域代表高注意力。结果表明，该模型的注意力集中在骨折椎体的区域，表明该模型能够基于椎体的形态细节进行分类。（图3）

图3：再次OVCF预测模型的性能展示。（a）（b）OVCF预测模型对整个测试数据集和单个测试集，以及独立的OVCF数据集(Ind-OVCF)的准确性;（c）OVCF预测模型在整个测试数据集上的ROC曲线; (D) OVCF预测模型在整个测试数据集上的PR曲线；（e）示例再次OVCF CT图像上预测模型的CAM。(黄色箭头表示新的椎体骨折)。

综上所述，我们成功地利用原发性OVCF患者的CT图像生成了一个基于深度学习的模型，该模型能够准确、无偏倚地预测手术后再次OVCF的椎体，该模型可作为一种临床上重要筛查工具。该工作在VIEW 期刊上发表，同济大学附属同济医院主治医师胡笑、副研究员朱颜菁为本工作共同第一作者，通讯作者为同济大学脊柱脊髓损伤再生修复教育部重点实验室程黎明教授和朱融融教授。

扫码阅读原文：

https://onlinelibrary.wiley.com/doi/10.1002/VIW.20220012?utm_medium=display&utm_source=xmol&utm_campaign=R243R5C&utm_content=DA35_Xmol_Journal_article_campaign_RM-CHINA_AGT_R243R5C_display_VIW.20220012

Prediction of subsequent osteoporotic vertebral compression fracture on CT radiography via deep learning

Xiao Hu, Yanjing Zhu, Yadong Qian, Ruiqi Huang, Shuai Yin, Zhili Zeng, Ning Xie,Bin Ma, Yan Yu, Qing Zhao, Zhourui Wu, Jianjie Wang, Wei Xu, Yilong Ren, Chen Li, Rongrong Zhu, Liming Cheng

《致瞰（英文）》（VIEW）创刊于2020年，是由PCEM和Wiley出版集团共同主办的开放获取式英文学术期刊（双月刊）。本刊旨在成为国际高质量的跨学科科研技术交流平台，主要关注生命健康的“可视化”，通过开发新型材料将“诊断”与“治疗”相结合，创造出更具潜力的新型诊断治疗学技术实现精准医疗。期刊于2023年获首个影响因子8.6，JCI指数0.69，2022年度CiteScore为8.6，篇均来源期刊标准影响指标为1.251。先后收录于DOAJ、ESCI、Scopus、CAS、INSPEC等数据库。