0 引言

       随着全球人口老龄化程度日益加剧，骨质疏松症（osteoporosis, OP）患病率持续攀升，已成为全球性重要公共卫生问题^[1]。OP是一种全身性骨骼疾病，主要表现为骨量降低、骨微结构破坏，其核心特征是骨骼强度下降，从而导致个体髋部、脊柱及其他骨骼部位的骨折风险显著升高，不仅影响患者生活质量，严重时还会增加死亡风险^[2]。研究表明，OP的早期诊断和有效治疗能够显著降低骨质疏松性骨折的发生概率^[3]。双能X射线吸收仪（dual-energy X-ray absorptiometry, DXA）和定量计算机断层扫描（quantitative computed tomography, QCT）测得的骨密度（bone mineral density, BMD）是目前临床诊断OP的金标准，但DXA技术因其普及性低、筛查率不高等局限性^[4]，QCT因辐射剂量、检查费用及技术要求高^[5]，目前临床对于两者的应用受限。

       近年来，随着机会性筛查概念的兴起——在常规影像学检查过程中，可对临床指征外的潜在疾病或异常进行额外筛查。这种筛查方法通过对已有影像数据的深入分析和解读，旨在不增加额外费用和辐射剂量的前提下，发现可能存在的潜在病变^[6]。机会性筛查提高了OP的早期检出率，同时避免了额外的检查费用和辐射暴露。同时，人工智能（artificial intelligence, AI）在医学领域的迅速发展，为OP的机会性筛查提供了更多的可能。常规计算机断层扫描（computed tomography, CT）与磁共振成像（magnetic resonance imaging, MRI）在临床机会性筛查OP中具有重要价值，本文主要从常规CT与MRI的角度出发，结合AI在其中的应用，对OP机会性筛查的最新研究进展进行综述，分析目前研究存在的问题，并提出未来的研究方向，以期为未来研究提供参考。

1 常规CT与MRI检查在OP机会性筛查中的研究进展

1.1 椎体CT值

       CT扫描能够生成大量高分辨率的横断面图像，并以椎体亨氏单位（hounsfield unit, HU）的CT值的形式量化组织的密度信息。CT值与物质密度呈正相关，密度越高的组织在图像上对应的CT值也越高^[7]。在OP的诊断上，许多研究者已采用CT值作为初步评估指标，用于筛查骨量减少或疑似OP的患者。PICKHARDT等^[8]用L1椎体的CT值与DXA测定下的BMD进行比较，发现L1椎体CT值≤160 HU 时，诊断OP的敏感度为90%；阈值≤110 HU时特异性> 90%。COHEN等^[9]的研究同样发现椎体HU值>160与DXA检查诊断的OP低概率相关，因此除非检测到椎体骨折，否则无需进一步检查。然而，当HU值≤110时，出现OP或骨量减少的概率较高，因此可能需要对骨健康进行进一步评估。ZOU等^[10]提出，分别对应于L1≤110、L2≤100、L3≤85或L4≤80的L1-4的CT值可作为诊断OP的阈值。LI等^[11]通过测量L1-L5椎体的CT值并与DXA结果对比，首次在中国人群中提出了OP的诊断阈值：OP（97 HU）、骨量减少（135 HU）和骨量正常（230 HU）。并且与DXA相比，椎体CT值规避了脊柱的退行性变化，可以更好地反映骨小梁的微观结构^[12]。CT值与QCT结果也有非常显著的相关性。WANG等^[13]研究证实，椎体CT值>141 HU对正常BMD的识别敏感度为93.5%，特异度为86.1%。ZOU等^[14]将CT值与QCT比较，发现CT值<110 HU对OP的诊断敏感度为91.2%，特异度为88.9%。王晓文等^[15]研究还发现CT值与QCT结果相关性比DXA更好。BUENGER等^[16]研究在增强CT检查中测得的椎体CT值，与BMD值之间也存在显著的相关性（r=0.894，P<0.001），并且给出了一个简单的转换公式：QCT值=0.71×HU值+13.82。

       综上所述，CT值与BMD之间具有很强的相关性，选择合适的阈值后，其诊断OP敏感度和特异度较高，是OP诊断中实用的初步评估指标。但当前的研究对CT值诊断OP的阈值无统一标准，并且测量及重建方式、CT的扫描参数等因素对CT值诊断效能会产生一定影响^{[17, 18]}，未来还需依托多中心大样本数据来完善诊断标准并提高OP检测的准确性。

1.2 机会性QCT

       QCT基于X线衰减特性，借助专用软件与校准体模（由已知浓度羟基磷灰石或磷酸钾制成的固体模型），可将CT值转化为腰椎或髋部BMD。早期传统QCT采用同步校准模式，需患者与校准体模同机扫描；而机会性QCT通过整合常规CT与QCT技术，以异步外部校准或无体模校准为核心，无需预放置体模，即可直接将患者的常规CT图像CT值转换为BMD。机会性QCT的主要方法包括异步外部校准和无体模校准。

       异步外部校准QCT是指患者扫描过程中无需使用校准模型，而是通过对校准体模进行单独质量控制扫描，生成标准化校准方程式完成CT值到BMD的转换。2015年国际临床密度测定学会（International Society for Clinical Densitometry, ISCD）的官方立场指出，如果保持扫描仪稳定性，则可以将用于QCT测量的扫描内校准模型替换为异步校准^[19]。与传统的同步校准QCT相比，异步QCT在观察者内和观察者间的可重复性方面表现出良好的准确性和精度^[20]。SKORNITZKE等^[21]通过8台不同型号的CT扫描仪，在多种管电压（80~150 kVp）及重建参数（如软硬重建核）下完成282次扫描实验。结果显示，计算所得BMD与真实值存在极强相关性（R²=0.99；P<0.000 1），且管电压和CT扫描仪是影响BMD检测结果的主要因素（P<0.000 1）。

       无体模校准QCT指使用患者自身的组织（如脂肪和肌肉）作为校准参考物质，将CT值转化为BMD，无需单独使用体模。无体模QCT与使用校准模型获得的BMD值具有高度相关性^[22]。但内部校准材料的成分因受试者而异，与基于体模的校准相比，这会造成额外的BMD精度误差^[23]。根据受试群体选取不同的校准参考可以最大限度减少此类误差。BARTENSCHLAGER等^[23]提出在没有明显主动脉钙化的年轻受试者中，空气和主动脉血液可能是最佳组合，而在老年受试者中，空气和皮下脂肪组织可能更好。BARTENSCHLAGER等^[24]后续研究指出空气与血液的组合不适用于对比剂使用人群的无体模校准QCT，因对比剂对血液CT值影响显著，而对肌肉、皮下脂肪组织影响很小，故空气/皮下脂肪组织或空气/肌肉组织的组合更为合适。组织感兴趣区（region of interest, ROI）的大小和位置也是影响无体模校准QCT结果的重要因素^[25]。LI等^[26]开发了一种自动选择组织ROI的无体模校准QCT系统，该系统诊断OP的曲线下面积（area under the curve, AUC）达到了0.900，与基于体模的QCT（AUC=0.903）预测效果相当。

       综上所述，异步外部校准及无体模校准突破了传统同步体模校准的限制，为常规CT影像用于BMD测定提供了更多可能，也拓展了OP机会性筛查的新路径，但未来仍需通过多中心大样本研究细化适用场景，优化校准算法以提升检测一致性与普适性。

1.3 基于常规MRI的VBQ评分

       与健康人群相比，OP患者成骨-成脂代谢失衡，导致其骨髓脂肪含量增加^[27]。T1加权像（T1-weighted imaging, T1WI）上脂肪组织T1弛豫时间较短，使其信号强度（signal intensity, SI）更高^[28]。椎体骨质量（vertebral bone quality, VBQ）评分由EHRESMAN等^[29]提出，指常规T1WI上L1~L4椎体松质骨平均SI与L3椎体水平脑脊液（cerebrospinal fluid, CSF）SI的比值，用于评价VBQ。EHRESMAN等^[30]后续研究结果证明VBQ评分可区分健康骨和骨量异常骨（骨质减少和OP），并且与股骨颈的总体最低T分数中等相关。VBQ评分与BMD具有中等相关性已经得到广泛证明，VBQ评分越高，骨量异常的风险越高^[31]。但关于VBQ评分的诊断截断值，目前研究报道尚未达成统一，HU等^[32]纳入了17项研究，并进行了荟萃分析，得出VBQ评分诊断OP的平均阈值为3.02±0.38，合并敏感度和特异度分别为76%和74%，AUC为0.81。VBQ评分诊断阈值差异过大，限制了其临床适用性。由于骨骼和肌肉整体上的相互关联^[33]，WANG等^[34]将VBQ评分联合椎旁肌肉质量测定，发现可以更准确地识别OP，这为常规MRI的OP筛查提供了新思路。VBQ评分与BANDIRALI等^[35]提出的基于MRI的评分（MRI-based score, M-score）不同，M-score以T1WI上L1~L4椎体松质骨平均信噪比（signal-to-noise ratio, SNR）为核心计算指标，其结果取决于SNR，未对不同MRI设备进行标准化，无法直接比较不同设备的数据结果，VBQ评分包括CSF的SI，以调整设备之间的基线信号差异，使其适用范围更广^[36]。MIERKE等^[37]在6台不同的MRI设备及用不同的技术人员测量腰椎VBQ评分，结果显示VBQ评分不受观察者内部及观察者间差异的影响，具备良好的可靠性与可信度。但来自LIU等^[38]、HU等^[39]研究结果显示年龄、MRI设备及场强会影响VBQ评分。

       有学者在此基础上，提出了一些其他测量方法：ROCH等^[40]在传统T1WI基础上，增加了T2加权像（T2-weighted imaging, T2WI）、短时反转恢复（short time inversion recovery, STIR）序列计算VBQ评分，结果发现，VBQT1和VBQT2与BMD呈负相关，而VBQSTIR与BMD无显著相关；与单独使用VBQ评分相比，VBQT1×VBQT2/VBQSTIR的组合明显增加了与BMD负相关的效应。白雯琪等^[41]在研究中引入了水抑制序列（fluid attenuated inversion recovery, FLAIR）、STIR序列，计算T11-L2的VBQ评分，得到VBQT1、VBQT2、VBQT2-STIR、VBQFLAIR、VBQ压脂优化（VBQT1×VBQT2/T2-STIR）、VBQ压水优化（VBQT1×VBQT2/VBQFLAIR）、VBQ共同优化（VBQT1×VBQT2/VBQFLAIR×VBQT2/T2-STIR），结果显示，单独的STIR及FLAIR序列的VBQ评分对于OP筛查与诊断均无价值（P>0.05），多序列优化的VBQ评分与BMD均具有负相关性，且压脂优化的VBQ评分的诊断效能最高。KADRI等^[42]研究将L1和S1背侧脂肪的平均SI、皮肤背侧背景SI替代经典VBQ评分中的CSF的SI，得到VBQ（脂肪）评分、VBQ（SNR）评分，及单椎体VBQ评分（L1椎体与L1 CSF的SI的比值），结果显示对OP的诊断能力均不如经典VBQ评分，经典VBQ评分仍然是BMD筛查的良好指标。除了在腰椎上进行测量，也有研究报道了颈椎VBQ评分（C-VBQ）和S1椎体的VBQ评分（S1-VBQ）。C-VBQ评分方法多种多样，不像腰椎那样得到普遍认可，HUANG等^[43]通过测得T1WI上C2-C7椎体松质骨平均SI与C1段CSF的SI的比值 得到C-VBQ评分，结果显示C-VBQ评分与DXA的T值显著相关，当确定阈值为2.90时，其提示骨量异常的敏感度为92%。HUANG等^[44]还研究报道S1-VBQ与DXA的T值具有中度至强相关性（r=-0.48，P<0.001），AUC为0.82。当经典VBQ评分方法无法使用时，S1-VBQ评分可作为OP机会性筛查评估的有力补充。

       综上所述，VBQ评分是OP机会性筛查的新型方法。其操作简单，且与BMD值存在良好相关性，展现了其在科研领域的重要价值及临床应用的巨大潜力。但该方法存在一定局限性：对于椎管狭窄患者，因无法获取CSF的SI，其临床应用受到限制；同时，VBQ评分诊断OP的最佳阈值尚未形成统一标准，且其是否受其他因素影响仍不明确，这些问题均需未来研究进一步阐明。

2 常规CT与MRI结合AI在OP机会性筛查中的研究进展

2.1 常规CT结合AI在OP机会性筛查的研究进展

       近年来，AI技术的兴起为OP机会性筛查开辟了新路径。其依托CT影像骨骼组织的高X射线衰减特性^[45]，结合机器学习（machine learning, ML）和深度学习（deep learning, DL）构建分析模型，实现骨骼的精准识别与BMD的定量分析，减少人工操作并缩短影像后处理时长，同时高通量挖掘CT图像多维特征信息的能力，深化影像数据分析维度，为OP的机会性筛查提供技术支持。WEI等^[46]借助基于3D RetinaNet与3D U-Net的DL-AI模型，从常规胸部CT图像中自动识别分割T10-L1椎体并量化该区域的BMD（即AI-BMD），以腰椎DXA检测结果作为BMD评估的金标准进行验证后发现，该AI-BMD对OP的诊断准确性优异，其诊断OP的AUC达0.81~0.84。自动化的AI-BMD分析系统无需额外检查流程与辐射暴露，也无需手动勾画ROI，有效简化了OP的筛查流程，为大规模人群OP机会性筛查提供了高效、可行的技术方案。不过该研究也指出AI模型的局限性，其虽然能自动识别椎体，但无法自主识别骨岛、椎体压缩性骨折等病理结构，需医生人工审核排除干扰，未能实现全流程无人干预。AI结合腹部CT也可以用于OP的筛查。GUO等^[47]利用基于DL的AI模型，在腹部CT中全自动分割T12-L4椎体并量化BMD，以QCT测量的BMD为金标准，结果显示AI模型诊断OP的AUC为0.8220，敏感度为96.01%，特异度为92.70%，其与QCT测量的BMD值的一致性研究显示，R2值差异无统计学意义，证实二者在BMD测量性能上具有等效性。该研究进一步指出，由AI模型导出的BMD值不仅纳入了BMD的变化信息，还整合了纹理分析结果，既能够实现BMD值的快速、可重复获取，还能规避传统测量中因骨髓脂肪重度浸润而可能出现的假性低BMD值现象。

       目前，相关研究多聚焦于胸腹部CT中脊柱椎体的AI-BMD分析，而四肢骨骼CT的AI筛查模型也展现出良好的临床应用潜力。DU等^[48]建立基于腹部CT的自动骨质疏松检测模型：该研究通过DL算法实现股骨近端的自动化分割，并对分割区域进行放射组学特征提取，进而采用随机森林分类器（random forests, RF）构建三分类模型，以同时鉴别正常骨量、OP及骨质减少。结果证实该三分类预测模型是可行的，在评估正常BMD、OP和骨质减少方面表现出优异的预测性能，测试集的AUC分别为0.924、0.960和0.828，这进一步拓展了AI技术结合四肢骨骼CT影像在OP筛查中的应用场景。在其他四肢部位的探索中也取得了积极进展。SEBRO等^[49]利用手腕/前臂CT影像结合ML构建筛查模型，其中多变量支持向量机（multi-variable support vector machine, MSVM）模型表现最优，预测OP的AUC达0.818，充分论证了四肢小关节CT影像用于OP筛查的可行性。该团队还将ML方案拓展至膝关节CT图像分析，进一步验证了其在四肢部位OP筛查中的普适性^[50]。但需要说明的是，当前围绕四肢非脊柱部位的相关研究较少，有待更多的研究予以进一步证实。

       综上所述，AI技术在OP机会性筛查中具有显著的临床转化价值。其基于常规CT影像，实现多部位骨骼的快速精准分割及目标区域BMD定量分析，挖掘多维影像特征提升OP筛查效能，无需额外扫描且大幅减少人工操作，为大规模筛查提供了便捷方案。但该技术的临床应用仍面临诸多挑战：现有模型多基于影像数据，未整合临床特征，且存在标准化体系缺失、多中心验证数据不足等局限，距临床常规应用仍需进一步优化与验证。

2.2 常规MRI结合AI在OP机会性筛查的研究进展

       在T1WI、T2WI等常规MRI序列中，包含纹理、形状等大量人眼难以识别的定量影像特征，AI技术能够提取这些特征并构建影像组学模型，将视觉上模糊的差异转化为可量化的客观指标，赋予了常规MRI序列诊断OP的能力，进一步补充了常规MRI的临床应用场景。HE等^[51]从椎体T1WI和T2WI图像中提取放射组学特征建立单序列及组合模型，结果显示在区分正常与OP的分类模型中AUC分别为0.724、0.682和0.797，组合模型的AUC值高于单序列模型。HOU等^[52]基于T1WI+T2WI图像构建的放射组学模型，预测OP的AUC达到0.871；将年龄、性别等临床特征纳入该模型后，构建的临床影像组学模型AUC提高至0.894。与单独的放射组学模型相比，临床影像组学模型可显著提升OP的诊断性能。为了优化模型的预测性能，WANG等^[53]构建含临床数据、影像组学特征及视觉转换器（Vision Transformer, ViT）特征的综合模型，ViT模型内部（0.844）、外部（0.745）测试集AUC均高于放射组学模型（0.697、0.654），综合模型AUC达0.855（内部）和0.806（外部），显著提高OP诊断准确性与临床实用性，ViT特征可增强预测性能。JAYASURIYA等^[54]还利用AI算法，构建了一种自动识别MRI扫描中的VBQ评分的模型，该模型显示VBQ评分中AI-人类信度的组内相关系数（intra-class correlation coefficient, ICC）和皮尔逊相关系数均大于0.85，AI算法能够高精度计算MRI扫描中的VBQ分数。但该模型存在一定的局限性，其无法准确识别严重脊柱侧弯患者的CSF，对于低位置脊髓圆锥、大型椎板切除术后缺损等特殊解剖结构患者，其固定识别ROI策略也会受到干扰，难以精准定位CSF参考区域。尽管此类自动化技术取得了一定的进展，但当前大多数基于常规MRI建立的AI模型仍依赖手动或半自动方式勾画ROI，耗时费力的操作流程在一定程度上制约了模型的临床转化与普及^[55]。

       综上所述，目前研究显示基于MRI构建的预测OP的模型都展现了较好的预测性能，具备较高的临床转化潜力。相较于基于单一序列构建的模型，多序列组合模型的预测性能更优。融合临床特征与多模态影像学数据的AI预测模型，更能进一步提升预测价值。但当前研究仍存在明显瓶颈：高效自动分割算法的缺乏、样本量偏小及队列代表性不足等问题，限制了模型的推广应用。未来可通过多中心合作扩充样本，优化自动分割算法，融合多维度临床特征，以提升模型泛化能力，助力OP早期筛查。

3 小结与展望

       当前，常规CT与MRI在OP机会性筛查中已取得显著进展。多项研究证实，CT值、机会性QCT和VBQ评分均可用于OP的机会性筛查，无须额外的费用，且减少辐射。AI技术的融入进一步提升了筛查效能，不仅能够实现CT、MRI图像的自动分割与精准识别，还能深度挖掘其中的多维影像特征，构建的多类型模型提升了筛查效率与准确性，减少了人为误差。然而，现有方法仍存在局限：CT值及VBQ评分诊断阈值缺乏统一标准，其诊断效能受CT/MRI机器类型、扫描参数及人群特征等多种因素干扰，导致不同研究结果间存在差异，影响临床的推广；机会性QCT校准算法需优化，校准算法在不同设备与参数下一致性不足；AI模型多基于单中心数据构建，存在算法泛化性差、不同中心模型难以互通等问题，在准确性、可重复性及标准化方面有待进一步优化。

       未来可聚焦以下方面推动OP机会性筛查规范化与普及化：第一，开展多中心、大样本研究，解决诊断标准不统一问题，可基于不同年龄段、性别、种族人群的影像数据，建立CT值、VBQ评分的分层诊断阈值标准库。第二，优化机会性QCT校准算法，开发适用于不同品牌CT设备的通用校准模块，形成可直接应用于临床的标准化校准流程。第三，收集多样化临床扫描场景（如不同层厚、扫描剂量的CT扫描，不同场强的MRI扫描）的影像数据，构建多源数据融合的AI训练数据集，优化模型的特征提取与泛化能力，建立含准确性、可重复性等指标的统一评价体系，并在现实临床环境中验证模型准确性、可靠性与实用性，加速AI模型在临床疾病诊断中的应用。第四，加强跨学科合作，整合影像、临床基线信息及血清学标志物数据，开发多模态预测模型。最终推动机会性筛查融入临床常规，实现OP早期精准防控。