《Journal of Advanced Research》：Construction of musculoskeletal quantitative model based on deep learning and study of musculoskeletal relationship in patients with osteoporosis
编辑推荐：
本研究针对骨质疏松(OP)筛查中传统方法效率低、定量不全面的问题，开发了一种基于深度学习的UNet3D模型，用于从常规腰椎CT和MRI图像中自动进行三维骨骼肌肉定量分析。研究结果显示，UNet3D在椎体和椎旁肌分割精度上显著优于U-Net、U2-Net和Mask R-CNN等模型，并首次系统揭示了骨质疏松患者椎体HU值与椎旁肌体积、肌间间隙体积及脂肪浸润程度之间的节段特异性关联，为骨质疏松的早期筛查和"骨肌一体化"精准管理提供了创新工具。
在全球老龄化加剧的背景下，骨质疏松这一"静悄悄的流行病"正日益成为严峻的公共卫生挑战。这种以骨量减少、骨微结构破坏为特征的代谢性骨病，犹如被白蚁蛀空的房梁，表面完好却不堪重负，导致患者骨折风险显著增加，严重威胁中老年群体的生活质量和生存期。尽管世界卫生组织推荐的双能X线吸收测定法(DXA)是诊断骨质疏松的金标准，但在临床实践中应用不足，大量高危人群未能得到及时筛查。
更为复杂的是，骨骼与肌肉作为运动系统的两大核心组成部分，并非孤立存在。它们如同唇齿相依的伙伴，通过密切的解剖邻接和活跃的生化对话相互影响。当骨质疏松与肌肉减少症(一种与年龄相关的肌肉质量和功能下降的综合征)并存时，患者跌倒、骨折和死亡的风险将雪上加霜。然而，当前的评估方法存在明显局限：CT上测量骨密度的亨氏单位(Hounsfield Unit, HU)值通常依赖医生在单个或有限椎体内手动放置感兴趣区(Region of Interest, ROI)，无法全面反映椎体内骨密度的空间异质性；而MRI对椎旁肌的评估也多局限于特定水平的单层面测量，难以完整刻画肌肉状态。面对海量的临床影像数据，我们是否能够借助人工智能的力量，从中挖掘出更多有价值的诊断信息？
来自中国人民解放军海军军医大学第二附属医院骨科的研究团队在《Journal of Advanced Research》上发表了一项创新性研究，他们开发了一种名为UNet3D的深度学习模型，旨在利用临床上常规获取的腰椎CT和MRI图像，实现骨质疏松患者骨骼肌肉系统的自动化、精准化三维定量分析，并深入探究骨肌关系。这项研究为骨质疏松的早期筛查和综合管理提供了新思路。
研究人员采用的关键技术方法主要包括：基于U-Net架构改进的UNet3D深度学习模型开发，用于同步分割腰椎CT上的L1-S1椎体和MRI上的椎旁肌/肌间间隙；创新性的梯度自适应算法实现皮质骨与松质骨的振荡分离；CT-MRI配准框架实现椎旁肌与肌间间隙的L1-S1连续三维重建；以及基于410例骨质疏松患者(来自两个独立中心)的回顾性队列验证，包含76700张轴向CT切片和6030张轴向T2 MRI切片。
UNet3D模型性能卓越
研究结果显示，UNet3D在内部测试集上对腰椎CT的分割精度(像素精度PA/平均像素精度mPA/平均交并比mIoU分别为0.984/0.849/0.760)和MRI分割精度(0.973/0.849/0.724)均优于U-Net、U2-Net和Mask R-CNN。在外部测试集上，UNet3D同样表现出色，CT上的PA、mPA和mIoU值分别为0.971、0.852和0.741，MRI上为0.969、0.834和0.713。这表明UNet3D具有强大的泛化能力和临床应用潜力。
椎体VOI内HU值量化
UNet3D成功实现了皮质骨-松质骨界面的精确划分。L1至S1椎体松质骨感兴趣体积(Volume of Interest, VOI)内的平均HU值分别为125.75、80.33、105.86、150.35、182.28和195.14 HU，呈现出自上而下逐渐增高的趋势。特别值得注意的是，L1-L4椎体的HU值与DXA T值之间存在强相关性(r ≥ 0.85, P < 0.05)，验证了基于CT的椎体VOI HU值评估骨密度的可靠性。
椎旁肌与肌间间隙体积量化
研究首次提供了骨质疏松患者L1-S1全节段椎旁肌与肌间间隙的三维体积数据。腰大肌是体积最大的肌肉(173,317.68 mm3)，而腰方肌最小(65,167.78 mm3)。在肌间间隙中，腰大肌-椎体间隙最大(124,301.86 mm3)，腰方肌-髂肋肌间隙最小(29,676.63 mm3)。分析还发现了明显的左右不对称性，且不同节段的体积分布规律各异，提示腰椎各节段可能承受着不同的生物力学环境。
椎体HU值与肌肉参数的相关性分析
全局分析揭示，椎旁肌总体积与椎体HU值呈正相关(权重系数ω > 0)，而肌间间隙总体积与HU值负相关(ω < 0)，且左侧的相关性更强。在单个肌肉中，多裂肌、最长肌和髂肋肌与椎体HU值的关联最为显著。而对于肌间间隙，LM(最长肌与多裂肌之间)、IL(髂肋肌与最长肌之间)和ML(多裂肌与椎板之间)区域的相关性最高。这些骨肌关系在上腰椎(L1-L3)比下腰椎更为明显。此外，椎旁肌脂肪浸润(Fatty Infiltration, FI)率与椎体HU值呈显著负相关，其中多裂肌和腰大肌的负相关性最强。
这项研究的结论与讨论部分强调了几个重要观点。UNet3D模型在腰椎CT和MRI分割任务上表现出卓越性能，为骨质疏松患者的早期自动化筛查和定量分析提供了有力工具。研究首次在三维空间内系统揭示了骨质疏松患者椎体骨密度与椎旁肌参数之间的复杂关系：椎体HU值与肌肉体积正相关，与肌间间隙体积和脂肪浸润程度负相关，且这些关系具有明显的节段特异性和侧别不对称性。这一发现支持了肌肉-骨骼相互作用的生物学理论，即肌肉通过机械负荷刺激骨形成，而肌肉萎缩和脂肪浸润则会削弱这种刺激并可能通过炎症因子促进骨吸收。
从临床转化角度看，该研究的意义在于它将常规临床影像"变废为宝"，通过深度学习技术从中提取客观、定量的骨肌参数，为骨质疏松的早期机会性筛查、风险分层和个体化管理提供了新范式。尤其重要的是，研究倡导的"骨肌一体化"评估理念，有助于更全面地把控骨质疏松患者的整体 musculoskeletal health(肌肉骨骼健康)，对于预防骨折、改善预后具有重要价值。
当然，研究也存在一些局限性，如回顾性设计可能引入选择偏倚、以DXA而非定量CT(Quantitative CT, QCT)作为骨密度参考标准、队列仅包含骨质疏松患者等。未来需要通过纳入更 diverse(多样化)人群、采用QCT和Dixon序列等更精准的评估方法的前瞻性多中心研究，进一步验证和拓展UNet3D的临床应用价值。
总的来说，这项研究不仅开发了一个高性能的深度学习工具，更开创了一种基于常规临床影像进行骨肌系统综合评估的新模式，为骨质疏松的精准防治和肌肉骨骼相互关系的基础研究提供了重要技术支撑和新的科学见解。
