← 返回首頁

胸部X光也能提示骨折風險:AI在逾8萬人外部驗證中優於FRAX

原本為其他診療需求拍攝的胸部影像,可能提供骨骼脆弱的線索。新研究顯示,AI區分骨折風險的表現優於納入骨密度的FRAX,但能否用於一般就醫人群,還有一道驗證關卡。

By SURL BioNews

骨折預防的一個難題,是在骨頭斷裂之前,找出真正需要進一步評估的人。一項刊於《NEJM AI》的研究,將目光轉向既有的胸部X光:深度學習模型能否從這些影像中,讀出未來重大骨質疏鬆性骨折的風險?在兩家獨立機構、共85,284名患者的外部驗證中,模型區分風險高低的表現,優於納入骨密度資料的骨折風險評估工具FRAX。

根據Life Science Network收錄的論文摘要及AgingResearch.News的整理,研究團隊先以一家醫學中心的53,109名成人資料開發模型,再到另外兩家機構驗證。所有參與者都曾接受骨密度檢查,且在檢查前後一年內拍過胸部X光;驗證族群平均58.6歲,女性占68.9%,追蹤時間為77個月。研究要預測的是後續發生的骨折,而非單純辨認影像上的骨密度偏低。

模型的10年骨折預測AUROC為0.855,高於FRAX搭配骨密度的0.785;另一項用於評估事件風險排序的指標C-index,也以0.843高於0.779。研究進一步把FRAX加入影像模型後,風險區辨能力並未明顯改善,顯示在這批資料中,額外加入FRAX帶來的增益有限。

這些數字需要仔細解讀。AUROC與C-index主要反映模型能否把較容易骨折的人排在較前面,不能把0.855直接讀成「預測準確率85.5%」。模型能否準確估計某個人的實際骨折機率,以及設定什麼門檻才適合安排後續檢查,是另外的問題。

研究也把焦點放在骨質缺乏族群,也就是骨密度低於正常、但尚未達骨質疏鬆範圍的人。論文摘要指出,不少骨折負擔發生在這個區間,而影像模型在這群人的風險區辨表現同樣優於FRAX。這提示既有胸部影像可能補充骨密度評估未能充分呈現的資訊;至於模型究竟依據哪些影像特徵作出判斷,現有摘要沒有提供足夠細節。

研究最重要的限制,藏在收案條件裡:所有人都已被轉介接受骨密度檢查,因此不能直接代表一般拍攝胸部X光的患者。兩家機構的外部驗證增加了結果的可信度,卻仍未回答模型放進日常醫療流程後,能找出多少原本被漏掉的高風險者,又會讓多少人接受額外評估。

這項工作的潛力,是讓已經拍攝的影像多提供一層骨折風險線索,而不必為此增加一次影像檢查。要走到實際應用,下一步仍須在未經骨密度轉介條件篩選的人群中進行前瞻性評估,確認絕對風險估計與高風險個案辨識的表現。眼前的成果支持繼續驗證這條路徑,尚不足以據此取代既有評估或決定治療。

References

  1. NEJM AI abstract via Life Science Network
  2. AgingResearch.News