Journal | [J] 医学创新与发展 Volume 4, Issue 7. 2026.

作者： 巴足拉布; 栗海龙

作者背景： 青海大学附属医院

Abstract / 摘要

骨质疏松性骨折（0steoportic Fracture，OPF）是严重影响老年人生活质量的公共卫生问题。传统基于双能X线吸收测定法（DXA）测量的骨矿物质密度（BMD）是诊断骨质疏松的金标准，但是它对骨微结构变化不敏感，因此骨折风险预测效能较低。近些年来，影像组学作为一种从医学图像中高通量提取定量特征的技术，为无创评估骨“质”量（包括骨微结构、几何形态等）赋予了新的视角。本文对影像组学联合临床指标预测OPF的技术基础、研究现状、模型效能及临床转化的挑战进行了综述。首先阐述了从骨密度评估转向骨质量评估的必要性以及影像组学的技术原理；接着分别对基于CT、MRI及DXA等多模态影像组学的特征提取与应用的综述，主要从CT的无辐射机会性筛查、MRI的骨髓脂肪浸润无辐射评估、传统设备深度挖掘三个方面进行论述。在模型建立上，对特征选择和降维方法、多源信息融合方法（临床组学模型）以及逻辑回归、随机森林等机器学习模型和深度学习算法的使用和比较进行了论述。有研究显示，影像组学模型预测椎体和髋部骨折的效能比或者独立于传统BMD及骨折风险评估工具（FRAX®）更好，并可以提供显著的预测价值。

Keywords / 关键词

OPF; 影像组学; 机器学习; 深度学习; 机会性筛查; 骨折风险预测; 临床指标

• 上一篇： 冠状动脉CT血管成像衍生参数在心肌桥与冠状动脉粥样硬化关系中的研究进展
• 下一篇： 基于虚拟现实技术的目标导向性康复训练在ICU患者中的应用研究