综述：基于影像学的骨折风险评估进展：发掘潜在骨骼脆性

《Current Osteoporosis Reports》：Advances in Imaging-Based Fracture Risk Assessment for Unlocking Latent Skeletal Fragility

本综述系统评述了利用常规临床影像（如CT、X线、DXA、MRI）进行骨折风险评估的最新进展。文章探讨了如何通过影像学方法与深度学习技术，超越传统的骨密度（BMD）和FRAX?工具，从图像中提取更多与骨骼质量、肌肉成分、骨骼几何形态等相关的生物标志物，以更全面地揭示骨骼脆弱性的多维信息，从而弥补传统评估的不足，支持可扩展的预防策略。

常规影像中隐藏的风险密码

脆性骨折是导致老年人发病和死亡的重要原因。传统的双能X线骨密度仪（D_XA）测量的骨矿物质密度（B_MD）和骨折风险评估工具（FRAX^?）是评估骨折风险的关键，但仍有相当一部分骨折发生在骨密度未达到骨质疏松诊断标准的个体身上。这表明骨骼的脆弱性由结构、生物力学等多种因素共同决定，而传统的低维测量方法难以捕捉所有这些信息。与此同时，临床实践中每天产生海量的计算机断层扫描（C_T）、X线和磁共振成像（M_RI）数据，这些影像作为高维传感器，蕴藏着大量关于骨骼、肌肉及其周围组织的潜在信息，但在常规诊断解读中常被忽略。近年来，影像人工智能（A_I）和机器学习的进步，使得我们能够“机会性”地、无需额外扫描或成本地量化这些细微线索，从而补充传统的评估工具。

本综述将这些快速发展的影像学方法归纳为四个相辅相成的领域：1）影像学衍生的B_MD或骨质疏松检测；2）用于患者风险分层的椎体骨折自动识别；3）提取骨折以外的结构和功能成像生物标志物，包括肌肉质量、骨微结构和几何形态；4）端到端的深度学习模型，可直接从原始图像推断未来的骨折风险。

影像学BMD分析与骨质疏松检测

最初的研究焦点是利用常规临床影像来推导B_MD的定量替代指标或机会性识别骨质疏松。Pickhardt等人的开创性工作表明，腹部或胸部CT扫描中测量的椎体骨小梁衰减值与未来的主要骨质疏松性骨折风险强相关，其预测性能甚至优于FRAX^?工具。他们确立了用于机会性筛查的特定L1椎体衰减值阈值：≤160 HU时区分骨质疏松的灵敏度达90%，而≤110 HU时特异性超过90%。更重要的是，这种方法在识别D_XA假阴性结果（即骨密度正常但仍发生中重度椎体骨折的患者）方面极具价值。随后的研究从单一椎体测量扩展到更全面的人群分析，并将机会性B_MD评估扩展到心脏C_T等非骨骼成像。总之，影像学衍生的B_MD指标在与临床预测因子（如FRAX^?）结合时，能持续提供额外价值，起到补充而非替代的作用。近期深度学习技术的进展，能够捕捉与骨质量和微结构相关的复杂空间模式，进一步推动了这一领域。

影像学骨折检测用于未来骨折预测

第二个焦点是识别先前未被发现的椎体骨折（V_Fs），并将其用作未来骨折的重要预后指标。椎体骨折是后续骨折事件最强的预测因子之一，但在常规临床工作中常被漏诊。研究表明，在胸部C_T上偶然发现的椎体畸形与随后的髋部骨折风险显著增加相关。近期深度学习技术极大扩展了椎体骨折检测的规模和范围。例如，有研究开发了能够从脊柱X线和D_XA椎体骨折评估（V_FA）图像中识别椎体骨折的多任务模型，并在两个大型队列中证明了其强大的预后价值。这些研究共同说明，自动化椎体骨折检测不仅能作为诊断工具，更能有效识别未来骨折风险显著升高的个体。

影像学检测骨折风险相关附加因素

除了骨密度和明确的骨折检测，利用常规影像技术量化骨骼脆弱性的其他结构和功能决定因素，是另一个重要进展方向。鉴于骨折风险源于骨质量、肌肉功能、脂肪浸润和机械负荷之间的相互作用，这些研究利用C_T、D_XA、X线和M_RI来提取反映这些因素的成像生物标志物。

其中，肌肉和脂肪成分的评估是一个重点。早期前瞻性研究表明，通过腹部定量C_T评估的腰大肌肌肉体积减少和肌肉内脂肪组织增加，即使在调整B_MD后，仍与发生非脊柱骨折独立相关。后续研究证实，较低的肌肉密度是主要骨质疏松性骨折的重要预测因子。这凸显了肌肉减少和脂肪毒性变化在骨折易感性中的重要性。

在评估骨质量和纹理方面，有研究利用D_XA髋部图像提取影像组学特征，其独立预测髋部骨折的能力超越了FRAX^?和B_MD。类似地，骨盆X线纹理特征也能有效分类髋部骨折风险。这些方法表明，常规影像中包含潜在的、有助于理解骨骼失效风险的微结构模式。

评估微结构退化是理解骨骼脆弱性的另一个关键特征。骨小梁评分（T_BS）是该领域一项重大且广泛应用的进展。作为一种直接从常规腰椎D_XA图像推导出的灰度纹理指标，T_BS提供了标准面积B_MD无法捕捉的骨微结构替代测量。广泛的临床验证表明，退化的T_BS是主要骨质疏松性和椎体骨折的独立预测因子，能有效识别那些可能未达到骨质疏松骨密度标准的高危个体。因此，T_BS已成功融入临床实践，作为FRAX^?算法的调整因子，从而在无需额外辐射暴露或特殊成像的情况下，提高了骨折风险分层的精度。

在评估宏观机械性能和骨骼几何形态方面，髋部结构分析和有限元建模也取得了进展。研究表明，几何指数可以独立于B_MD预测长期髋部骨折风险。随后的研究利用D_XA衍生的有限元强度，显示出优于或补充FRAX^?和B_MD的预测性能。最近的进展还包括从标准二维D_XA图像重建三维有限元模型，以稳健且独立地预测10年髋部骨折风险，显示出在不增加C_T资源负担的情况下，在临床实践中更广泛应用的可行性。

磁共振成像（M_RI）进一步拓宽了可测量的骨质量范围。通过非对比T1加权M_RI评估的椎体骨质量（V_BQ）评分，在观察性队列中与脆性骨折独立相关。研究发现，较高的V_BQ评分是骨折的显著独立预测因子，且V_BQ评分作为连续变量评估时，骨折发生几率显著增加。此外，这些M_RI指标还显示出预测近期（两年内）新发椎体骨折的潜力。这些M_RI方法之所以有价值，是因为它们能捕捉到通常在可测量的B_MD下降之前出现的骨髓脂肪化和组织成分的早期变化。

基于影像学的直接骨折预测（端到端模型）

越来越多的研究已经从使用预定义的密度指标和明确的骨折检测方法，转向直接从原始图像数据预测未来的骨折事件。这种端到端范式允许深度学习模型利用图像的整个视觉上下文来推断骨折风险，从而无需依赖手动定义的感兴趣区域或人工设计的特征。从概念上讲，这种方法将骨折预测重新定义为表示学习问题，骨折风险被编码为图像的潜在属性，而非从明确指定的测量中推导出来。

多项研究强调了这种策略在不同模态和临床场景中的潜力。例如，利用纵向全身D_XA成像，深度学习模型已成功预测了10年全因死亡率和髋部骨折风险。在已有髋部骨折病史的患者中，有研究利用C_T衍生的数字重建影像预测了五年内的后续骨折风险，其预后性能优于传统临床模型。另有研究在常规腰椎侧位X线片上使用时序神经网络模型，发现图像衍生的风险信号可以在没有先前骨折标签的情况下预测椎体骨折事件。还有研究开发了基于胸部X光片的模型，可预测五年内的椎体压缩性骨折，并经过强有力的外部验证，这表明广泛使用的胸部成像可能有助于进行机会性骨折筛查。端到端模型还被用于从图像中推导高级生物学特征，例如从侧位X光片和D_XA V_FA研究中推导的图像“脊柱年龄”指标，该指标与多个验证队列中的骨折和死亡风险相关。

这些研究采用不同的深度学习框架，反映了在问题定义上的工程权衡。固定时间范围预测和风险回归方法直接将图像特征映射到预定义时间窗口内的骨折结果，提供了简单性和计算效率。相比之下，以表征为中心的模型学习潜在的、图像衍生的嵌入，这些嵌入封装了累积的骨骼脆弱性或生物老化。时序建模框架通过将随访时间和删失数据明确纳入学习目标，进一步增强了这些方法，从而保留了在固定时间公式中通常丢失的时间信息。

总结与未来展望

基于影像的骨折风险评估已显著超越了对B_MD的单一依赖，转向对骨骼脆弱性更细致的表征。通过整合结构几何、微结构退化、生物力学强度以及更广泛的骨-肌肉-脂肪轴等标志物，近期的研究揭示，临床获取的影像中含有大量与骨折风险相关的未充分利用的信息。这一演变标志着从孤立的、低维度的测量向将骨折易感性作为系统性现象进行整合建模的转变。值得注意的是，端到端的深度学习方法表明，骨折易感性可以直接从原始图像中推断出来，将骨折风险重新概念化为一种潜在的、图像编码的状态，而不仅仅是从预定义指标推导出的数值。这表明脆弱性交织在整个骨骼和骨骼外组织的视觉图景中，即使常规测量无法捕捉。

尽管前景广阔，但要充分发挥这些不断发展的方法的潜力，未来的研究必须系统性地解决三个主要领域的转化挑战：技术壁垒、数据限制和临床实施。首先，在技术壁垒方面，首要障碍是多中心适用性。在不同的成像设备、制造商和具体设备类型之间进行可靠的骨折风险评估和骨密度预测本身就很困难。硬件规格、专有图像重建算法和机构采集方案的差异，会给成像数据带来显著的“域偏移”。未来的研究必须优先开发与扫描仪无关的基础模型，并应用强大的跨机构图像标准化策略。此外，迫切需要建立不依赖绝对阈值、而是基于校准和相对风险的、可推广的标准化方法。

其次，除了技术标准化，数据和验证方面仍存在显著限制。训练和验证预后模型所需的长期结局数据难以获取，需要大规模、精心策划的纵向队列。最后，真正的临床实施和工作流程整合，在电子健康记录（E_HR）互操作性、监管审批和临床责任方面提出了重大问题。严格的卫生经济学评估对于证明这些机会性评估在常规实践中的成本效益也至关重要。

展望未来，多模态数据融合、基础模型和自监督学习、跨机构协作以及健康经济学的深入评估，将共同推动该领域发展。综合来看，这些进展预示着这样一个未来：骨折风险将更少地来自于人工设计的指标，更多地来自于从临床实践中常规获取的图像中直接学习到的、整体的、数据驱动的特征。在这种框架下，骨折易感性不是从一组有限的预定义测量中推断出来的，而是从固有的捕捉结构完整性、生物力学能力及导致衰竭风险的骨骼外因素的综合图像级表征中得出的。随着方法学的不断发展并与纵向结局更紧密结合，端到端的影像分析有望在实现及时、可扩展和精准导向的骨折预防中发挥核心作用。