浏览全部资源
扫码关注微信
人工智能在骨质疏松筛查与风险预测中的应用进展
Advances in the application of artificial intelligence in osteoporosis screening and risk prediction
- 局解手术学杂志 2025年34卷第12期 页码：1040-1044
- 作者机构：
1.陆军军医大学第一附属医院健康管理中心，重庆 400038
2.陆军军医大学第一附属医院感染科，重庆 400038
- 作者简介：
游忠岚，E-mail：yzl@tmmu.edu.cn
陈宗涛，E-mail： zongtaochen@126.com
- 基金信息：重庆市自然科学基金(CSTB2022NSCQ-MSX0221)
DOI：10.11659/jjssx.05E025046
中图分类号： R681收稿：2025-05-15，
纸质出版：2025-12-25
- 稿件说明：
移动端阅览
余婧,游忠岚,陈宗涛.人工智能在骨质疏松筛查与风险预测中的应用进展[J].局解手术学杂志,2025,34(12):1040-1044.
YU Jing,YOU Zhong-lan,CHEN Zong-tao.Advances in the application of artificial intelligence in osteoporosis screening and risk prediction[J].JOURNAL OF REGIONAL ANATOMY AND OPERATIVE SURGERY,2025,34(12):1040-1044.
余婧,游忠岚,陈宗涛.人工智能在骨质疏松筛查与风险预测中的应用进展[J].局解手术学杂志,2025,34(12):1040-1044. DOI： 10.11659/jjssx.05E025046.
YU Jing,YOU Zhong-lan,CHEN Zong-tao.Advances in the application of artificial intelligence in osteoporosis screening and risk prediction[J].JOURNAL OF REGIONAL ANATOMY AND OPERATIVE SURGERY,2025,34(12):1040-1044. DOI： 10.11659/jjssx.05E025046.
摘要
骨质疏松的早期筛查与骨折风险评估亟需高效、低成本方案。近年来，人工智能（AI）技术在医学领域的快速发展为骨质疏松症的早期筛查与诊断带来了新的机遇。本文综述了AI技术在骨质疏松早期筛查与诊断中的研究进展，系统介绍了机器学习、深度学习和计算机视觉等技术在骨密度分析、影像识别、风险预测和辅助决策等方面的应用；同时，探讨了当前研究中存在的数据质量、算法解释性、临床整合和伦理监管等主要挑战，并对未来发展方向进行了展望。AI技术有望提高骨质疏松症的筛查效率和诊断准确性，但其临床转化应用仍需多学科协作和进一步验证。
Abstract
Early screening and fracture risk assessment for osteoporosis urgently require efficient and cost-effective schemes. In recent years，the rapid development of artificial intelligence （AI） technology in the medical field has brought new opportunities for early screening and diagnosis of osteoporosis. This paper reviewed the research progress of AI technology in early screening and diagnosis of osteoporosis，and systematically introduced the applications of machine learning，deep learning，and computer vision in bone mineral density analysis，image recognition，risk prediction，and clinical decision support. Meanwhile，this paper discussed the major existing challenges in current research，including data quality，algorithm interpretability，clinical integration，and ethical regulation，and provided perspectives on future development directions. AI technology is expected to improve screening efficiency and diagnostic accuracy of osteoporosis； while its clinical translation and application still require multidisciplinary collaboration and further validation.
关键词
Keywords
references
Jin J . Screening for osteoporosis to prevent fractures ［J］. JAMA ， 2025 ， 333 （ 6 ）： 547 . doi： 10.1001/jama.2024.27771 http://dx.doi.org/10.1001/jama.2024.27771 .
Kanis JA ， Cooper C ， Rizzoli R ， et al . European guidance for the diagnosis and management of osteoporosis in postmenopausal women ［J］. Osteoporos Int ， 2019 ， 30 （ 1 ）： 3 - 44 . doi： 10.1007/s00198-018-4704-5 http://dx.doi.org/10.1007/s00198-018-4704-5 .
Ensrud KE ， Crandall CJ . Fracture risk assessment as a component of osteoporosis screening-easier said than done ［J］. JAMA ， 2025 ， 333 （ 6 ）： 468 . doi： 10.1001/jama.2024.27416 http://dx.doi.org/10.1001/jama.2024.27416 .
Jiang F ， Jiang Y ， Zhi H ， et al . Artificial intelligence in healthcare：past，present and future ［J］. Stroke Vasc Neurol ， 2017 ， 2 （ 4 ）： 230 - 243 . doi： 10.1136/svn-2017-000101 http://dx.doi.org/10.1136/svn-2017-000101 .
Ueda D ， Kakinuma T ， Fujita S ， et al . Fairness of artificial intelligence in healthcare：review and recommendations ［J］. Jpn J Radiol ， 2024 ， 42 （ 1 ）： 3 - 15 . doi： 10.1007/s11604-023-01474-3 http://dx.doi.org/10.1007/s11604-023-01474-3 .
余前富 ， 汪 晨 . 人工智能在影像技术图像后处理应用研究现状 ［J］. 影像技术 ， 2025 ， 37 （ 6 ）： 71 - 75 .
Muehlematter UJ ， Mannil M ， Becker AS ， et al . Vertebral body insufficiency fractures：detection of vertebrae at risk on standard CT images using texture analysis and machine learning ［J］. Eur Radiol ， 2019 ， 29 （ 5 ）： 2207 - 2217 . doi： 10.1007/s00330-018-5846-8 http://dx.doi.org/10.1007/s00330-018-5846-8 .
Hussain D ， Han S . Computer-aided osteoporosis detection from DXA imaging ［J］. Comput Methods Programs Biomed ， 2019 ， 173 ： 87 - 107 . doi： 10.1016/j.cmpb.2019.03.011 http://dx.doi.org/10.1016/j.cmpb.2019.03.011 .
Chen Y ， Chan WP ， Zhang H ， et al . Automated osteoporosis classification and T-score prediction using hip radiographs via deep learning algorithm ［J］. Ther Adv Musculoskelet Dis ， 2024 ， 16 ： 1759720 X 241237872 . doi： 10.1177/1759720X241237872 http://dx.doi.org/10.1177/1759720X241237872 .
Poonia RC ， Al-Alshaikh HA . Ensemble approach of transfer learning and vision transformer leveraging explainable AI for disease diagnosis：an advancement towards smart healthcare 5.0 ［J］. Comput Biol Med ， 2024 ， 179 ： 108874 . doi： 10.1016/j.compbiomed.2024.108874 http://dx.doi.org/10.1016/j.compbiomed.2024.108874 .
郭 华 ， 李明毅 ， 朱品泽 ， 等 . 基于AI算法的胸部X线影像肺部病变的早期筛查系统 ［J］. 影像科学与光化学 ， 2025 ， 43 （ 4 ）： 134 - 144 . doi： 10.7517/issn.1674-0475.2025.04.20 http://dx.doi.org/10.7517/issn.1674-0475.2025.04.20 .
Valentinitsch A ， Trebeschi S ， Kaesmacher J ， et al . Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures ［J］. Osteoporos Int ， 2019 ， 30 （ 6 ）： 1275 - 1285 . doi： 10.1007/s00198-019-04910-1 http://dx.doi.org/10.1007/s00198-019-04910-1 .
Siemionow K ， Luciano C ， Forsthoefel C ， et al . Autonomous image segmentation and identification of anatomical landmarks from lumbar spine intraoperative computed tomography scans using machine learning： a validation study ［J］. J Craniovertebr Junction Spine ， 2020 ， 11 （ 2 ）： 99 . doi： 10.4103/jcvjs.JCVJS_37_20 http://dx.doi.org/10.4103/jcvjs.JCVJS_37_20 .
Yasaka K ， Akai H ， Kunimatsu A ， et al . Deep learning for staging liver fibrosis on CT：a pilot study ［J］. Eur Radiol ， 2018 ， 28 （ 11 ）： 4578 - 4585 . doi： 10.1007/s00330-018-5499-7 http://dx.doi.org/10.1007/s00330-018-5499-7 .
Wu Y ， Yang X ， Wang M ， et al . Artificial intelligence assisted automatic screening of opportunistic osteoporosis in computed tomography images from different scanners ［J］. Eur Radiol ， 2025 ， 35 （ 4 ）： 2287 - 2295 . doi： 10.1007/s00330-024-11046-2 http://dx.doi.org/10.1007/s00330-024-11046-2 .
冯鹏程 ， 曹圣伟 ， 覃兵 ， 等 . 基于深度学习的人体腰椎MRI图像自动分割 ［J］. 生命科学仪器 ， 2023 ， 21 （ 5 ）： 53 - 57 . doi： 10.11967/2023211011 http://dx.doi.org/10.11967/2023211011 .
严瀚 ， 刘文锋 ， 吴梦林 ， 等 . 骨质疏松性椎体压缩骨折MRI精准辅助诊断模型的研究 ［J］. 中华创伤骨科杂志 ， 2023 ， 25 （ 1 ）： 64 - 69 . doi： 10.3760/cma.j.cn115530-20221111-00560 http://dx.doi.org/10.3760/cma.j.cn115530-20221111-00560 .
Zhou L ， Zhang Z ， Chen Y ， et al . A deep learning-based radiomics model for differentiating benign and malignant renal tumors ［J］. Transl Oncol ， 2019 ， 12 （ 2 ）： 292 - 300 . doi： 10.1016/j.tranon.2018.10.012 http://dx.doi.org/10.1016/j.tranon.2018.10.012 .
薛冬 ， 徐海林 ， 王伟 . 人工智能辅助X线识别对骨科的应用价值研究进展 ［J］. 中国骨伤 ， 2020 ， 33 （ 9 ）： 887 - 890 . doi： 10.12200/j.issn.1003-0034.2020.09.019 http://dx.doi.org/10.12200/j.issn.1003-0034.2020.09.019 .
Ho C ， Chen Y ， Fan T ， et al . Application of deep learning neural network in predicting bone mineral density from plain X-ray radiography ［J］. Arch Osteoporos ， 2021 ， 16 （ 1 ）： 153 . doi： 10.1007/s11657-021-00985-8 http://dx.doi.org/10.1007/s11657-021-00985-8 .
Shen L ， Gao C ， Hu S ， et al . Using artificial intelligence to diagnose osteoporotic vertebral fractures on plain radiographs ［J］. J Bone Miner Res ， 2023 ， 38 （ 9 ）： 1278 - 1287 . doi： 10.1002/jbmr.4879 http://dx.doi.org/10.1002/jbmr.4879 .
Tajbakhsh N ， Shin JY ， Gurudu SR ， et al . Convolutional neural networks for medical image analysis： full training or fine tuning？ ［J］. IEEE Trans Med Imaging ， 2016 ， 35 （ 5 ）： 1299 - 1312 . doi： 10.1109/TMI.2016.2535302 http://dx.doi.org/10.1109/TMI.2016.2535302 .
Conversano F ， Franchini R ， Greco A ， et al . A novel ultrasound methodology for estimating spine mineral density ［J］. Ultrasound Med Biol ， 2015 ， 41 （ 1 ）： 281 - 300 . doi： 10.1016/j.ultrasmedbio.2014. 08.017 http://dx.doi.org/10.1016/j.ultrasmedbio.2014.08.017 .
Yen C ， Lin W ， Wang T ， et al . Pre-screening for osteoporosis with calcaneus quantitative ultrasound and dual-energy X-ray absorptiometry bone density ［J］. Sci Rep ， 2021 ， 11 （ 1 ）： 15709 . doi： 10.1038/s41598-021-95261-7 http://dx.doi.org/10.1038/s41598-021-95261-7 .
Chen Z ， Luo W ， Zhang Q ， et al . Osteoporosis diagnosis based on ultrasound radio frequency signal via multi-channel convolutional neural network ［J］. Annu Int Conf IEEE Eng Med Biol Soc ， 2021 ， 2021 ： 832 - 835 . doi： 10.1109/EMBC46164.2021.9629546 http://dx.doi.org/10.1109/EMBC46164.2021.9629546 .
Hofweber T ， Walker RL . Machine learning in health care： ethical considerations tied to privacy，interpretability，and bias ［J］. N C Med J ， 2024 ， 85 （ 4 ）： 240 - 245 . doi： 10.18043/001c.120562 http://dx.doi.org/10.18043/001c.120562 .
Rabiee M ， Mirhashemi M ， Pangburn MS ， et al . Towards explainable artificial intelligence through expert-augmented supervised feature selection ［J］. Decis Support Syst ， 2024 ， 181 ： 114214 . doi： 10.1016/j.dss.2024.114214 http://dx.doi.org/10.1016/j.dss.2024.114214 .
Su Y ， Kwok TCY ， Cummings SR ， et al . Can classification and regression tree analysis help identify clinically meaningful risk groups for hip fracture prediction in older american men （the MrOS cohort study）？ ［J］. JBMR Plus ， 2019 ， 3 （ 10 ）： e10207 . doi： 10.1002/jbm4.10207 http://dx.doi.org/10.1002/jbm4.10207 .
Chen Y ， Yang T ， Gao X ， et al . Hybrid deep learning model for risk prediction of fracture in patients with diabetes and osteoporosis ［J］. Front Med ， 2022 ， 16 （ 3 ）： 496 - 506 . doi： 10.1007/s11684-021-0828-7 http://dx.doi.org/10.1007/s11684-021-0828-7 .
Rudin C . Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead ［J］. Nat Mach Intell ， 2019 ， 1 （ 5 ）： 206 - 215 . doi： 10.1038/s42256-019-0048-x http://dx.doi.org/10.1038/s42256-019-0048-x .
Khanna VV ， Chadaga K ， Sampathila N ， et al . A decision support system for osteoporosis risk prediction using machine learning and explainable artificial intelligence ［J］. Heliyon ， 2023 ， 9 （ 12 ）： e22456 . doi： 10.1016/j.heliyon.2023.e22456 http://dx.doi.org/10.1016/j.heliyon.2023.e22456 .
Lin Y ， Chu C ， Hung K ， et al . Can machine learning predict pharmacotherapy outcomes？An application study in osteoporosis ［J］. Comput Methods Programs Biomed ， 2022 ， 225 ： 107028 . doi： 10.1016/j.cmpb.2022.107028 http://dx.doi.org/10.1016/j.cmpb.2022.107028 .
Fasihi L ， Tartibian B ， Eslami R ， et al . Artificial intelligence used to diagnose osteoporosis from risk factors in clinical data and proposing sports protocols ［J］. Sci Rep ， 2022 ， 12 （ 1 ）： 18330 . doi： 10.1038/s41598-022-23184-y http://dx.doi.org/10.1038/s41598-022-23184-y .
Tu KN ， Lie JD ， Wan CKV ， et al . Osteoporosis： a review of treatment options ［J］. P T ， 2018 ， 43 （ 2 ）： 92 - 104 .
Leslie WD ， Johansson H ， Kanis JA ， et al . Lumbar spine texture enhances 10-year fracture probability assessment ［J］. Osteoporos Int ， 2014 ， 25 （ 9 ）： 2271 - 2277 . doi： 10.1007/s00198-014-2761-y http://dx.doi.org/10.1007/s00198-014-2761-y .
Singh R ， Gill SS . Edge AI：a survey ［J］. IoTCPS ， 2023 ， 3 ： 71 - 92 . doi： 10.1016/j.iotcps.2023.02.004 http://dx.doi.org/10.1016/j.iotcps.2023.02.004 .
Miotto R ， Wang F ， Wang S ， et al . Deep learning for healthcare：review，opportunities and challenges ［J］. Brief Bioinform ， 2018 ， 19 （ 6 ）： 1236 - 1246 . doi： 10.1093/bib/bbx044 http://dx.doi.org/10.1093/bib/bbx044 .
Darkins A ， Ryan P ， Kobb R ， et al . Care coordination/home telehealth： the systematic implementation of health informatics，home telehealth，and disease management to support the care of veteran patients with chronic conditions ［J］. Telemed J E Health ， 2008 ， 14 （ 10 ）： 1118 - 1126 . doi： 10.1089/tmj.2008.0021 http://dx.doi.org/10.1089/tmj.2008.0021 .
裴新赢 ， 王健 . 数字骨科的研究进展 ［J］. 生物医学 ， 2025 ， 15 （ 1 ）： 13 . doi： 10.12677/hjbm.2025.151028 http://dx.doi.org/10.12677/hjbm.2025.151028 .
Kuo T ， Kim H ， Ohno-Machado L . Blockchain distributed ledger technologies for biomedical and health care applications ［J］. J Am Med Inform Assoc ， 2017 ， 24 （ 6 ）： 1211 - 1220 . doi： 10.1093/jamia/ocx068 http://dx.doi.org/10.1093/jamia/ocx068 .
王攀 ， 郗光霞 ， 黄春艳 ， 等 . 不同年龄男女骨质疏松状况的分析 ［J］. 中国医师杂志 ， 2015 （ z1 ）： 89 - 91 . doi： 10.3760/j.issn.1008-1372.2015.z1.031 http://dx.doi.org/10.3760/j.issn.1008-1372.2015.z1.031 .
Zeng W . Image data augmentation techniques based on deep learning：a survey ［J］. Math Biosci Eng ， 2024 ， 21 （ 6 ）： 6190 - 6224 . doi： 10.3934/mbe.2024272 http://dx.doi.org/10.3934/mbe.2024272 .
Kelly CJ ， Karthikesalingam A ， Suleyman M ， et al . Key challenges for delivering clinical impact with artificial intelligence ［J］. BMC Med ， 2019 ， 17 （ 1 ）： 195 . doi： 10.1186/s12916-019-1426-2 http://dx.doi.org/10.1186/s12916-019-1426-2 .
Eaneff S ， Obermeyer Z ， Butte AJ . The case for algorithmic stewardship for artificial intelligence and machine learning technologies ［J］. JAMA ， 2020 ， 324 （ 14 ）： 1397 . doi： 10.1001/jama.2020.9371 http://dx.doi.org/10.1001/jama.2020.9371 .
Char DS ， Shah NH ， Magnus D . Implementing machine learning in health care-addressing ethical challenges ［J］. N Engl J Med ， 2018 ， 378 （ 11 ）： 981 - 983 . doi： 10.1056/NEJMp1714229 http://dx.doi.org/10.1056/NEJMp1714229 .
0
浏览量
0
下载量
0
CSCD
- 网络PDF下载
- WORD下载
- Meta-XML下载
- BibTeX下载
- Endnote下载
- RefMan 下载
- NoteExpress下载
- NoteFirst下载
关联资源
相关文章
相关作者
相关机构
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
