完全自动化的系统通过分析腰椎MRI图像中的椎旁肌肉特征，能够预测不同医疗机构中的骨质疏松性椎体骨折风险

《npj Digital Medicine》：Fully automated system predicts osteoporotic vertebral fracture across institutions using lumbar MRI paraspinal muscle signatures

　　

摘要

椎旁肌肉（Paraspinal muscle, PM）退化是导致骨质疏松性椎体骨折（Osteoporotic Vertebral Fractures, OVF）的一个重要但常被忽视的风险因素。我们开发了“椎旁肌肉分割与骨质疏松性椎体骨折分类系统”（PMSAC-OVF），这是一个完全自动化的、多机构协作系统，能够在MRI图像上对腰椎椎旁肌肉进行分割，提取联邦学习（Federated Learning, FL）和放射组学（Radiomics）特征，并将这些特征与临床变量结合用于OVF的预测。该系统基于视觉基础模型框架，支持保护隐私的跨机构训练以及轻量级的本地部署。研究分析了来自五家机构的2,884名患者的数据（时间跨度为2014–2024年）。自动化分割模块展现了专家级别的准确率（Dice系数：0.952，交并比：0.909），同时将处理时间缩短至几秒钟。在预测方面，联邦学习和放射组学模型的平均AUC分别为0.827（范围：0.819-0.861）和0.803（范围：0.793-0.892）。结合放射组学特征（Radiomics Signals, RS）、联邦学习特征（Federated Learning Signals, FLS）以及临床变量的三模态模型，其平均AUC达到了0.840（范围：0.822-0.916），显著优于仅使用临床变量的模型（AUC：0.742，范围：0.641-0.778）。Shapley加性解释（Shapley Additive Explanations）分析表明，RS、FLS和骨矿物质密度是主要的预测因子，这突显了图像衍生特征的互补价值。PMSAC-OVF为异质临床环境中的OVF预测提供了一种稳健、可解释且可扩展的解决方案，有助于早期识别高风险人群并实施个性化干预。