📌 期刊名称：Bone.
📌 影响因子（2023）: 4.1 (2区Q2)
文章标题：Utilizing artificial intelligence to determine bone mineral density using dual-layer spectral detector CT
研究机构： Peking University Third Hospital
作者：Yali Li, Dan Jin, Yan Zhang, Wenhuan Li, Chenyu Jiang, Ming Ni, Nianxi Liao, Huishu Yuan
发表日期： 2024
📖 阅读链接：https://www.sciencedirect.com/science/article/pii/S8756328224003107
🔍 背景：骨质疏松症是一种常见的骨骼疾病，骨密度（BMD）的降低是其主要特征之一，直接影响骨强度并增加骨折风险。传统的BMD测量方法包括双能X线吸收法（DXA）和定量CT（QCT）。光谱CT在骨矿含量测定方面具有潜力，但由于技术复杂性，常需人工处理。随着人工智能（AI）在医学影像中的发展，利用AI自动测定光谱CT图像中的BMD可以为骨质疏松症筛查提供一种高效、精确的方法。
📄 摘要
目的：本研究旨在通过AI系统自动测定光谱CT图像中的BMD，并与传统QCT进行比较，以评估AI系统在骨质疏松筛查中的诊断准确性。
方法：纳入120例患者，均接受了DECT和QCT扫描。利用3D RetinaNet和3D U-Net卷积神经网络模型对椎体进行自动分割，并基于DECT图像计算BMD值。通过线性回归和Bland-Altman分析，比较AI系统、手动系统与QCT测得的BMD值。同时使用ROC曲线评估AI和手动系统在骨质疏松和低BMD检测中的诊断性能。
统计学：（难度☆☆☆☆）
1.Shapiro-Wilk 正态性检验：用于检测连续变量的数据是否符合正态分布，帮助决定后续统计分析应采用参数检验还是非参数检验。
2.描述性统计：将数据以均值±标准差的形式表示，描述连续变量的集中趋势和离散程度，方便比较和理解数据。
3.线性回归分析：用于评估三种方法测得的骨密度（BMD）之间的关系，分析它们之间的线性关联程度，判断方法间的一致性和可替代性。
4.Bland-Altman 分析：用于评估三种方法测量的BMD值之间的一致性，识别系统性偏差和测量误差范围，确定方法间的可替代性。
5.受试者工作特征曲线（ROC 曲线）分析：用于评估人工智能系统在区分骨质疏松、骨密度减低与正常骨密度方面的诊断性能，通过计算曲线下面积（AUC）来量化模型的准确性和鉴别能力。
6.P 值检验（显著性检验）：设定统计显著性水平为 P < 0.05，当 P 值小于 0.05 时，表示结果在统计学上具有显著性差异，支持研究假设。
结果：AI系统与QCT的BMD测量结果更为一致（R²=0.946），相对测量误差（RME%）为-15.93±12.05%，低于手动系统（-25.47±14.83%）。AI系统在检测骨质疏松方面的AUC为0.979，手动系统为0.933；AI系统在区分低BMD方面的AUC为0.980，手动系统为0.991。AI系统在骨质疏松检测中的灵敏度和特异性均为95.10%，在低BMD检测中的灵敏度为94.06%，特异性为94.06%，均优于手动系统。
要点讨论：
1.AI系统的优势：AI系统能够自动识别和分割椎体区域，减少了人为误差，并在DECT图像上展现出与QCT相近的测量精度。
2.与传统方法的比较：AI系统的诊断准确性高于手动系统，特别是在骨质疏松筛查中表现出较高的灵敏度和特异性。
结论：基于AI的自动化BMD测量系统在DECT图像上具有较高的测量精度和诊断一致性，为骨质疏松筛查提供了一种非侵入性、高效的工具。
🌟 亮点
新发现：AI的BMD测量结果与QCT更为一致
创新点：本研究创新性地将AI系统应用于DECT图像的自动化BMD测量，验证了其在骨质疏松症筛查中的潜在应用价值。
💡 意义：AI系统的高效性和准确性使其在临床上具有广泛的应用潜力，特别适用于需要BMD长期监测的患者。
Step II: 椎体骨自动分割
Step III: ROI自动勾画
Step IV: BMD自动测量和结构化报告
💡 深入研究建议：建议在更多样化的样本中验证该系统的应用效果，特别是在不同年龄段和病理条件下的准确性。
💡 Test：基于本研究，AI系统在检测骨质疏松症方面的ROC曲线下面积（AUC）是多少？
A. 0.850
B. 0.900
C. 0.933
D. 0.979
参考文献(两日内回复文章标题获取原文）：
LI, Y., JIN, D., ZHANG, Y., LI, W., JIANG, C., NI, M., LIAO, N. & YUAN, H. (2024), "Utilizing artificial intelligence to determine bone mineral density using dual-layer spectral detector CT", Bone, 117321.
不再声明原创声明：为了严格遵守平台规定，本系列内容将不再声明原创（原作者投稿除外）。我们坚信，与广大的读者共同提高、共同进步，才是我们坚持不懈地制作高质量内容的主要动力和核心原因。我们希望通过这个平台，与大家分享知识、交换见解，共同成长，而不仅仅是追求原创带来的收益。感谢每一位读者的支持和理解，我们将继续努力，为您带来更多有价值的内容。
👉 想了解更多？请访问期刊官网阅读全文或回复文章标题直接获取全文。
欢迎交流和讨论，期待您的留言！#最新文献 #科研前沿 #见刊时刻
