影像组学| 基于腰椎MRI椎旁肌特征的跨机构全自动骨质疏松性椎体骨折预测系统文献速递

Oldlee

2026.11.6

该研究构建了全自动多中心AI系统PMSAC-OVF，通过3D自动分割腰椎MRI椎旁肌并融合视觉大模型联邦学习特征、影像组学和临床变量，实现了高精度、隐私合规且可解释的骨质疏松性椎体骨折风险跨中心预测。

Title题目

基于腰椎MRI椎旁肌特征的跨机构全自动骨质疏松性椎体骨折预测系统

Fully automated system predicts osteoporotic vertebral fracture across institutions using lumbar MRI paraspinal muscle signatures

文献速递介绍

骨质疏松症及其最常见的并发症骨质疏松性椎体骨折（OVF）给全球老龄化人口带来了沉重的健康和经济负担。长期以来，双能X射线吸收仪（DXA）测得的骨密度（BMD）被视为骨质疏松诊断的金标准，但DXA在基层医疗普及不足，且相当比例的脆性骨折发生在非骨质疏松骨密度水平的人群中；FRAX等基于临床危险因素的传统评估工具区分度有限。解剖与生物力学研究表明，附着于脊柱的双侧椎旁肌群在维持脊柱稳定和骨重建代谢中扮演核心角色，肌肉萎缩与脂肪浸润等微观退变往往先于宏观骨质丢失发生。然而，以往医学影像人工智能模型常受限于多中心数据异质性（不同设备型号、扫描参数带来的域偏移）和严格的数据隐私保护法规。为此，本研究结合先前构建的视觉大模型轻量化框架VFMGL，开发了名为PMSAC-OVF的跨中心全自动系统，旨在利用常规腰椎MRI中被忽视的椎旁肌特征预测OVF发生风险。

Aastract摘要

骨质疏松性椎体骨折（OVF）常伴有椎旁肌退变，但传统风险评估主要依赖骨密度与骨骼形态，忽视了肌肉退变的关键力学与生理价值。本研究开发了全自动、多中心系统PMSAC-OVF，纳入来自五家医疗机构共2884例患者的腰椎MRI及临床数据。该系统通过3D nnU-Net实现双侧腰椎椎旁肌的高精度快速自动分割，并基于视觉大模型结合异质模型知识迁移与批次级数据推导构建了保护隐私的轻量化联邦学习框架，同时提取高通量影像组学特征。实验结果显示，三模态融合模型在多中心合并测试集上的受试者工作特征曲线下面积（AUC）达到0.840，显著优于仅使用临床变量的基础模型（AUC为0.742）。SHAP可解释性分析证实，椎旁肌影像组学签名与联邦学习签名是预测骨折最重要的两类核心生物标志物，为临床跨机构早期筛查高危骨折患者提供了高效、稳健且保护隐私的数字化工具。

Method方法

本研究所涉及的数据来源于五家医疗机构，严格通过伦理审批并经过彻底的匿名化与去标识化处理。纳入标准为40岁以上且同时具有腰椎MRI与DXA检查的患者，排除了合并继发性骨质疏松、恶性肿瘤、严重脊柱侧凸后凸畸形、既往脊柱手术史以及扫描伪影严重者。图像处理流分为四个阶段：由放射科专家结合MedSAM交互标注标准掩膜，利用47例训练和53例测试构建3D nnU-Net分割网络；联邦学习流程基于VFMGL，利用预训练DINOv2进行知识迁移并经由FedAvg多轮通信聚合本地更新，提取高阶概率标签作为联邦特征；影像组学方面使用PyRadiomics在标准重采样与归一化图像中提取1223个特征，经由Mann-Whitney U检验、相关性筛除与LASSO降维，由XGBoost进行Stacking集成输出评分；最后将各类特征输入多因素逻辑回归完成晚期融合，并利用DeLong检验、NRI/IDI及SHAP工具开展多维度性能评估与归因解释。

Discussion讨论

讨论部分强调了PMSAC-OVF系统在解决临床实际痛点方面的突出贡献。首先，系统依靠高精度的全自动3D分割技术彻底克服了椎旁肌量化依赖手工勾画的瓶颈，使高通量分析成为可能。其次，系统有效应对了医疗AI面临的跨中心数据异质性与数据隐私屏障：通过采用冻结的视觉大模型DINOv2作为通用特征提取器，并搭配轻量级ResNet18和批次级数据推导机制，本地机构仅需微调轻量网络并交互模型参数，无需上传病人原始图像，即可实现高质量协同训练与知识迁移。第三，病理生理层面验证了前后肌群的互补力学作用，肌群微观纹理与深层表征能敏感捕捉早期肌骨失衡。作者指出了研究的局限性：样本主要集中在单省内的五家机构，有待更大规模国际队列验证；部分内分泌及用药史信息缺失；未能结合CT或平片的椎体骨小梁三维信息；此外骨量正常伴重度肌脂肪浸润的患者存在假阳性风险。未来将进一步探索联邦元学习及骨折严重度关联分析。

Results结果

研究回顾性纳入了来自五个医疗中心的2884名符合标准的患者（2014-2024年间），所有患者均具备腰椎轴位T2加权MRI和6个月内匹配的DXA骨密度数据。在自动分割任务中，基于3D nnU-Net的自动化模块在独立测试集上取得了0.952的Dice相似系数和0.909的交并比（IoU），其分割速度由人工标注的单例约33分钟大幅削减至数秒以内。在特征建模方面，对比实验证明同时纳入双侧腰大肌和双侧竖脊肌-多裂肌复合体这四个肌群的表现显著优于单一或局部肌群。在联邦学习架构下，采用极限学习机（ELM）分类器的本地模型在各机构的测试AUC达到0.819至0.861（合并AUC为0.827）；影像组学模型在各机构的测试AUC为0.793至0.892（合并AUC为0.803）。将影像组学签名、联邦学习签名与临床变量相整合的三模态模型取得了0.822至0.916的各中心AUC（合并AUC为0.840），显著超越了传统仅依靠临床变量和骨密度的模型（合并AUC为0.742）。重分类改善指标、净重新分类指数以及决策曲线分析均证实三模态模型带来了更高的统计学增益与临床净获益。SHAP解释性分析表明，影像衍生特征具有最高的贡献权重。

Figure图

图1.

该图展示了PMSAC-OVF系统的整体三阶段架构：第一阶段通过MedSAM辅助标注并训练3D nnU-Net实现腰椎双侧四处肌群的全自动三维分割；第二阶段分别提取基于视觉大模型的轻量化联邦学习特征、高通量影像组学特征以及临床特征；第三阶段通过多因素逻辑回归进行晚期特征融合，完成高精度骨折风险预测。

图2.

该图对比了在联邦学习架构下六种主流分类器在五个独立机构测试集上的受试者工作特征曲线。结果显示，极限学习机（ELM）分类器在所有机构均取得了最佳且最稳定的AUC表现，因此被选定为最终联邦学习分支的输出分类器。

图3.

该图展示了临床模型、影像组学模型、联邦学习模型以及各类融合模型在五家医疗机构及合并测试集上的ROC曲线。结果证明，整合临床、影像组学和联邦特征的三模态模型在各机构的预测能力显著优于传统临床基线模型。

图4.

该图通过SHAP蜂群图呈现了三模态模型中各项输入特征对最终骨折预测的贡献度排名与影响方向。在绝大部分医疗机构中，椎旁肌影像组学特征与联邦学习特征均高居前两位，显著超越了传统骨密度与年龄、BMI等指标，高肌群异常评分与骨折风险正向相关，而骨密度则呈负向保护效应。