側方胸腰椎レントゲン写真のディープラーニングおよび新規椎体骨折の臨床的リスク因子：単施設回顧的コホート研究

サマリー

胸腰椎側方X線写真から抽出したディープラーニングスコアを臨床的リスク因子と組み合わせることで、2年以内の新規椎体骨折を正確に予測することが可能となりました。内部検証されたこのモデルは、臨床モデルよりも優れた識別能、較正能、再分類能および決定利益を示し、個別化されたリスク層別化と早期の予防的管理戦略を支持する結果となりました。

要約

日常的な臨床リスク評価では局所的な脊椎の脆弱性を十分に把握できないため、新規椎体骨折のリスクがある患者を早期に特定することは依然として困難です。この単一施設レトロスペクティブ・コホート研究では、ベースラインの胸腰椎側方向X線写真から抽出したディープラーニング（DL）特徴量を臨床リスク因子と組み合わせることで、2年以内の新規椎体骨折の予測精度が向上するかを評価しました。合計2,173人の患者を組み入れ、時系列に従って導出コホート（n = 1,449）と内部検証コホート（n = 724）に分割しました。ベースラインのX線写真からDL特徴量を導出し、LASSO-Cox回帰を用いて予測因子を選択し、臨床モデル、DLモデル、および複合モデルを構築しました。性能評価は、ブートストラップ楽観度補正、時間的内部検証、キャリブレーション、決定曲線分析、時間依存性正味再分類改善度（NRI）、統合識別改善度（IDI）、および感度分析によって行いました。2,048個のDL特徴量候補のうち5個がDLスコアの生成に保持され、これは複合モデルにおいて独立した予測因子であり続けました（HR 1.64, 95% CI 1.34–2.01; P < 0.001）。内部検証において、複合モデルはC-index 0.759、2年AUC 0.774、2年Brierスコア 0.077を達成し、いずれも臨床モデルより優れており、良好なキャリブレーション（インターセプト 0.012; スロープ 0.972）を示しました。臨床モデルと比較して、複合モデルは再分類（2年NRIは導出コホートで0.316、検証コホートで0.241）および識別能（2年IDIはそれぞれ0.047および0.033; 全て P < 0.01）を改善し、決定曲線分析においてより大きな正味の利益を提供しました。感度分析の結果は主解析の結果と一致していました。胸腰椎側方向X線写真からのDL特徴量と臨床リスク因子を組み合わせることで、2年以内の新規椎体骨折のより正確な個別化予測が可能になる可能性があります。

概要

椎体骨折は、骨粗鬆症性脆弱性骨折の最も一般的な形態の一つであり、特に胸腰椎領域に多く見られます。これは慢性的な疼痛、身長の減少、後弯変形、可動性の制限を引き起こし、再骨折のリスクや予後の悪化を招く可能性があります¹。臨床現場では、かなりの割合の患者が骨折発生前に典型的な症状を示さず、多くの症例が経過観察中の画像診断で初めて特定されるため、症状のみに頼った診断や遡及的な診断では、高リスク群のタイムリーなスクリーニングを完了させることが困難であることが示唆されています^2,3。既存のリスク評価は主に年齢、性別、BMI、既往の脆弱性骨折、糖尿病、グルココルチコイドへの曝露、骨密度などの情報に依存しており、これらは全身的な骨脆弱性の背景を反映してはいますが、胸腰椎の局所的な構造的脆弱性や力学的異常を十分に特徴付けることは困難であり、これが新たな椎体骨折リスクの予測において長らく存在してきた主要な困難点でもあります⁴。胸腰椎の側方向X線撮影は、臨床現場で最も一般的に使用され、アクセスしやすい脊椎画像検査の一つです。これは椎体の形態を示すだけでなく、終板の変化、骨密度の低下（骨透過性の亢進）、軽度の楔状変形、アライメントの不均衡など、将来の骨折に関連する潜在的な表現型を含んでいる可能性があります⁵。これまでの研究は、主に既存の椎体骨折の検出、骨粗鬆症の診断、または手動計測指標を用いたリスク評価に焦点を当ててきました^6,7。最近のエビデンスでは、側方向脊椎画像においてディープラーニングで特定された有病椎体骨折および骨粗鬆症を、臨床的リスク因子と併せて用いることで、新規骨折の予測を改善できることがさらに示されています⁵。しかし、ベースライン時に標的椎体骨折を有さない患者において、通常の胸腰椎側方向X線写真と局所的なディープラーニング（DL）特徴量を用いて新規椎体骨折を予測することに関するエビデンスは依然として限られています。人工知能の手法は脊椎画像解析に使用されてきましたが、この特定の臨床シナリオを直接の対象とした研究は依然として少なく、この設定におけるキャリブレーションの系統的な評価、決定分析によるネットベネフィット、および時間的分割検証はまだ不十分です⁸。

したがって、より臨床的に意義のある問い、すなわち、ルーチンの胸腰椎側方X線写真からディープラーニングによって抽出された特徴が、臨床的リスクアセスメント⁹に基づいた独立かつ有意義な追加情報を提供できるかという問いに答えることは困難です。以上の背景に基づき、本研究では単一センターの後向きコホートデザインを採用し、胸腰椎側方X線写真からディープラーニング特徴を抽出して臨床的リスク因子と組み合わせることで、2年以内の新規椎体骨折に関するリスク予測モデルを構築しました。そして、時間的内部妥当性確認、ブートストラップ法による楽観度補正、および感度分析を通じて、モデルの識別能、較正能、堅牢性、および臨床的価値を評価しました。本研究は、ルーチンのX線検査下での個別化されたリスク警告に焦点を当て、潜在的な局所画像上の脆弱性表現型と全身的な臨床的感受性情報を解釈可能な予測ツールに統合することで、高リスク者の特定、フォローアップの強化、および予防的介入の根拠を提供することを目的としました。

プロトコル

本研究は、中国上海市の上海市第八人民病院医学倫理委員会の審査および承認を受けた（承認番号 2026-102-03-02）。本研究はレトロスペクティブ研究であり、解析前にすべてのデータから個人識別情報が除外されていたため、倫理委員会により患者からのインフォームドコンセントは免除された。

研究デザイン：

研究タイプ

本研究は単施設レトロスペクティブコホート研究であり、研究データベースは病院の医用画像管理システム（PACS）、放射線科情報システム（RIS）、および電子カルテシステムのデータを用いて構築した。研究対象は、当院にて胸腰椎側方デジタルX線検査を受けた連続的な患者とした。組み入れ期間は2018年1月1日から2023年12月31日までとし、フォローアップの期限は2025年12月31日とした。本研究の報告は、人工知能を用いた予測モデル研究および観察研究の報告の標準化を確実にするため、TRIPOD+AIおよびSTROBEの推奨事項に従った。

研究設定および症例ソース

症例は、当院の外来患者、救急患者、および入院患者の日常的な臨床診断および治療プロセスから抽出した。画像データはすべてPACS内のオリジナルのDICOMファイルから取得し、臨床データは構造化電子カルテ、検査システム、および処方記録から取得した。研究期間中、選択基準を満たした最初の胸腰椎側方X線検査の日をベースライン日と定義した。同一患者に基準を満たす検査が複数ある場合は、重複登録を避けるため、最も早いものをベースライン検査としてのみ保持した。すべてのデータは解析前に匿名化し、画像情報と臨床情報は固有の研究識別番号を用いて照合した。

研究対象集団：

組み入れ基準

組み入れ基準は以下の通りとした：50歳以上であること。研究期間中に当院にて標準的な立位胸腰椎側面デジタルX線検査を完了していること。ベースライン画像が追跡可能なDICOM形式であること。ベースライン画像においてT10からL4の椎骨が完全に描出されていること。ベースライン画像の確認においてT10からL4に既存の椎体骨折がないこと。電子カルテから事前に規定したベースラインの臨床変数が抽出可能であること。ベースライン後24か月以内に少なくとも1回の胸腰椎X線、CT、またはMRIフォローアップ検査を受けていること、あるいは24か月以内に画像診断で確認された新規椎体骨折が発生していること。

除外基準

除外基準は以下の通りとした：ベースライン時におけるT10からL4までの椎体骨折、ベースライン時または追跡期間中の高エネルギー外傷の明確な既往、原発性または転移性脊髄腫瘍、脊髄感染症、または破壊性骨疾患、胸腰椎の内固定術、椎体形成術、または経皮的椎体形成術の既往、Cobb角が30°を超える側弯症または明らかな後弯変形（Scheuermann型後弯変形を含む）によりT10からL4の終板を正確に特定できない場合、画像上の明らかなモーションアーチファクト、不適切な露出、金属による遮蔽、または表示範囲の不足、電子カルテから主要なベースライン変数またはアウトカム情報を確認できない場合。

レトロスペクティブ・コホート構築プロセス

研究対象者のスクリーニングは、あらかじめ規定された基準に従って2人の研究者が独立して行い、不一致が生じた場合は、合意に至るまで協議によって解決した。ケースのスクリーニング完了後、ベースライン日に基づいて時系列グループ分けを行った。2018年1月1日から2021年12月31日までに登録された患者を、特徴量選択およびモデル構築のための導出コホートとし、2022年1月1日から2023年12月31日までに登録された患者を、モデル性能評価のための内部検証コホートとした。ランダム分割ではなく時間分割を用いることで、情報漏洩のリスクを低減でき、今後の患者に対するモデルの実際の適用シナリオにより近くなる。研究対象者のスクリーニングプロセスをフローチャート形式で示す。

主要評価項目およびその判定：

主要評価項目の定義

本研究の主要評価項目は、ベースラインから24か月以内に発生したT10からL4までの初回脆弱性椎体骨折とした。本研究の予測期間は2年とあらかじめ規定されており、モデルの出力は、2年以内に椎体骨折が発生する個別のリスク確率とした。

発生した椎体骨折の判定基準

新規椎体骨折は次のように定義された：ベースライン画像と比較して、フォローアップ画像においてT10からL4までのいずれかの椎体の前方、中央、または後方の高さが20%以上減少し、かつ絶対的な高さの減少が4 mm以上であるか、あるいは新たな終板の圧潰または皮質断裂が認められた場合とする¹⁰。アウトカムの判定は、フォローアップの胸腰椎X線、CT、およびMRIに基づいて総合的に行われた。画像読影は、それぞれ8年および12年の関連診断経験を持つ2名の骨格放射線科医によって独立して行われ、読影中に臨床データやモデルの出力結果へのアクセスはどちらにも制限されていた。不一致が生じた場合は、18年の経験を持つ1名のシニア骨格放射線科医が裁定を行った。腫瘍、感染症、または高エネルギー外傷による椎体骨折は、アウトカムイベントとしてカウントしなかった。

フォローアップの開始点、終了点、および観察ウィンドウ

追跡調査の開始点は、ベースライン時の胸腰椎側面のX線検査実施日とした。追跡調査の終了点は、以下の時点のうち最も早い日と定義した：初回椎体骨折の発症日、ベースラインから24ヶ月後、椎体骨折がないことが確認された最後の脊椎画像検査実施日、または死亡日。24ヶ月後に初めて出現した骨折は、主要評価項目に含めなかった。アウトカムイベントが発生しなかった患者は、打ち切りとして扱った。

臨床データの収集および候補となる臨床変数の定義：

人口統計学的および一般的な臨床データ

ベースラインの臨床データは、抽出時にアウトカム判定結果を確認することなく、2人の研究者が統一された症例報告書に基づき電子カルテシステムから抽出した。収集した人口統計学的データおよび一般的な臨床データには、年齢、性別、身長、体重、およびボディマス指数が含まれる。年齢はベースライン日の実年齢と定義した。体重と身長は、ベースライン日前後30日以内でベースライン日に最も近い記録から取得した。ボディマス指数は、体重を身長の2乗で除して算出（単位：kg/m²）した。

病歴、薬剤使用状況および骨代謝関連データ

臨床的な利用可能性とモデルの汎用性に基づき、組み込む候補となる以下の臨床的リスク要因を事前に規定した：脆弱性骨折の既往歴、2型糖尿病、関節リウマチ、慢性的な経口グルココルチコイドの使用、およびベースライン時の抗骨粗鬆症治療。標準化されたベースラインの骨密度測定値およびFRAXスコアは、コホート全体で標準的なベースライン変数として一様に利用可能ではなかったため、候補予測因子として事前に規定しなかった。その代わりに、FRAXに関連する複数の臨床因子を個別の候補変数として検討した。脆弱性骨折の既往歴、基礎疾患の診断、および薬剤情報は、すべてベースライン前の電子カルテ、退院記録、および処方システムから抽出した。また、予測因子がアウトカムイベントより時間的に先行することを確実にするため、すべての変数はベースライン以前に存在していることを条件とした。

臨床変数の定義基準

既往の脆弱性骨折は、40歳以降に発生し、低エネルギー外傷に起因し、かつ診療録に明確に記録されている骨折と定義した。ただし、頭蓋骨、顔面骨、指骨、および趾骨の骨折はこの定義に含まれなかった。2型糖尿病は、ベースライン前に記録された明確な診断、または血糖降下薬の長期使用と定義した。関節リウマチは、診療録におけるリウマチ専門医による明確な診断と定義した。慢性的経口グルココルチコイド使用は、ベースライン前1年以内に、プレドニゾロン換算用量で5 mg/d以上を3ヶ月以上使用したことと定義した。ベースライン時の抗骨粗鬆症治療は、ベースライン前3ヶ月以内に、ビスホスホネート製剤、デノスマブ、テリパラチド、ラロキシフェン、カルシトニン、アルファカルシドール、またはカルシトリョールのいずれかを8週間以上の期間にわたり継続的に使用したことと定義した。年齢およびボディマス指数（BMI）は、モデリングにおいて連続変数として扱い、人為的なカテゴリー分けは行わなかった。

イメージデータの取得および画像の前処理

胸腰椎側方X線撮影プロトコル

すべてのベースライン画像は、病院のデジタル放射線撮影システムで取得された標準的な立位胸腰椎側方X線写真であった。検査中、患者は自然な立位となり、肩の重なりを軽減するために両上肢を前方に屈曲させ、撮影範囲はT10からL4までとした。検査には自動露出制御が用いられ、管電圧範囲は80–95 kV、線源から画像受像面までの距離（SID）は110 cmであった。同一患者についてベースライン日に複数の適格な側方放射線写真が存在する場合、表示範囲が完全で最も画質が良いものを解析対象として選択した。

画像の組み込み基準および品質管理

ベースライン画像は、以下の品質要件を満たす必要があった：T10からL4までの椎体およびその上下終板が完全に可視化されていること。椎体の前縁と後縁、終板、および皮質境界が明瞭であること。明らかなモーションアーチファクトがないこと。深刻な過露光または低露光がないこと。広範囲の金属による遮蔽がないこと。および、体位の回転による明らかな形態的歪みがないこと。椎体縁や終板の確実な同定を妨げるような、深刻な退行性変化または骨棘のある画像も除外した。2名の筋骨格系放射線科医がすべてのベースライン画像の品質レビューを行い、主要な品質基準のいずれかを満たさなかった画像は除外された。

画像の前処理と標準化

すべてのDICOM画像は、解析前に匿名化されました。前処理の手順には、画像方向の統一、0.30 mm × 0.30 mmの空間解像度へのリサンプリング、グレースケール値の0.5^thパーセンタイルから99.5^thパーセンタイルまでの切り捨て、およびmin-max正規化法を用いたピクセル値の0–1間への標準化が含まれます。以上の前処理ワークフローは、派生コホートと検証コホートで一貫して適用され、手動操作によるバイアスを軽減するため、すべて事前に規定されたスクリプトによって自動的に完了されました。

ディープラーニングによる画像特徴抽出：

関心領域の決定

関心領域（ROI）は、T10の上端板からL4の下端板までの脊椎の側方投影領域とした。経験8年の骨格放射線科医1名が、ITK-SNAPソフトウェアを用いてすべてのベースライン画像の矩形ボックスアノテーションを行い、前方の境界を椎体前縁から前方へ5 mm、後方の境界を椎体後縁から後方へ5 mmに設定した¹¹。その後、経験12年の別の骨格放射線科医が症例ごとに画像を確認した。ROIは領域レベルの矩形ボックスであり、厳密な椎体輪郭のセグメンテーションではない。そのため、一般的な辺縁骨棘は個別に除去せず、あらかじめ指定した境界内にある場合は部分的に含まれる可能性がある。一方で、椎体縁や端板を不明瞭にするほどの重度の退行性変化がある症例は、画像品質レビューの段階で既に除外されていた。領域アノテーションの再現性を評価するため、50枚の画像をランダムに抽出し、4週間後に同一の放射線科医が再アノテーションを行い、さらに2人目の放射線科医が独立して再アノテーションを行い、その後の特徴量の安定性分析に用いた。ROIのクロッピング後、すべての画像を一律に224 × 224ピクセルにリサイズした。

ディープラーニングモデルのアーキテクチャおよび特徴抽出プロセス

本研究では、ディープラーニングの特徴抽出器としてResNet50畳み込みニューラルネットワークを使用した。ネットワークパラメータはImageNetで事前学習済みの重みで初期化し、導出コホートのすべてのベースラインROI画像に対して、適応プロセス中にアウトカムラベルを使用せずに自己教師ありドメイン適応を行った。具体的には、対照的自己教師ありタスクを用い、同一のROI画像から生成された2つの独立して拡張されたビューをポジティブペアとして扱い、同一ミニバッチ内の異なる患者からのビューをネガティブペアとして扱うことで、エンコーダーを研究画像の分布に適応させた。モデルのトレーニングにはAdamWオプティマイザを用い、初期学習率を1 × 10^-4、バッチサイズを64、トレーニングエポック数を200に設定した。トレーニング中のデータ拡張は、±5°の回転、0.9～1.1倍のスケーリング、10ピクセル以内の平行移動、および±10%のコントラスト摂動を用いて行った¹²。これらの拡張を用いて自己教師ありタスクのためのペアビューを生成し、この段階では導出コホートからのラベルなし画像のみを使用した。ドメイン適応後、アウトカム教師ありのファインチューニングは行わず、適応させたバックボーンエンコーダーを特徴抽出のために固定した。ドメイン適応の完了後、グローバルアベレージプーリング層からの2,048次元のベクトル出力を、各患者のディープラーニング候補特徴として抽出した。

画像特徴量のスクリーニングと次元削減

まず、重複してアノテーションを行った50枚の画像に基づき、特徴量のクラス内相関係数を算出した。ROIのわずかな変動に対する特徴量の安定性を確保するため、観察者内および観察者間のICCがいずれも0.80を下回らない特徴量を保持した。続いて、保持された特徴量を導出コホートにおいてZスコア標準化し、分散がゼロの特徴量を除去した。また、ペアごとの相関係数の絶対値が0.90を超える特徴量については、そのうちの1つのみを保持した。最終的に、LASSO-Cox回帰を用いて特徴量選択を行い、ペナルティパラメータは1-SE基準に従い10分割交差検証によって決定した。回帰係数が非ゼロである特徴量を、それぞれの係数に基づき重み付けして合算し、ディープラーニングスコア（DLスコア）を構築した¹³。導出コホートでこのスコアリング式を決定した後、式を固定して変更せず、そのまま内部検証コホートに適用した。

候補予測因子の前処理と統合：

欠損データの処理とデータの標準化

すべての候補となる臨床変数は、構造化された診療録フィールドから取得した。欠損率が20%を超える変数は、モデリングプロセスから除外した。残りの欠損値は、連鎖方程式による多重代入法を用いて処理し、10個の代入データセットを生成した。代入モデルには、イベント発生までの時間に関するアウトカム情報を可能な限り保持するため、すべての候補予測因子、アウトカム指標変数、およびNelson-Aalen累積ハザード推定値を組み込んだ。連続的な臨床変数およびDLスコアは、導出コホートの平均値と標準偏差を用いて標準化し、検証コホートにも同じ変換パラメータを適用した。二値変数は、一律に0または1としてコーディングした。

臨床的リスク因子の選択

候補となる臨床的リスク因子の事前特定は、臨床的な解釈可能性、先行根拠、およびデータの利用可能性に基づいて行い、単変量P値によるスクリーニングは使用しませんでした。LASSO-Cox選択に投入された候補臨床変数は、年齢、性別、body mass index、脆弱性骨折の既往歴、2型糖尿病、関節リウマチ、慢性的な経口グルココルチコイド使用、およびベースライン時の抗骨粗鬆症治療でした。身長と体重は記述的に収集し、body mass indexの算出に使用しましたが、モデリングには個別に投入しませんでした。LASSO-Cox回帰は、導出コホートの10個の補完データセットで個別に実施し、ペナルティパラメータは10分割交差検証を用いて選択しました。少なくとも7つの補完データセットで係数が非ゼロであった変数を、最終的な臨床モデルに組み込みました。年齢とbody mass indexについては、ともに制限付き3次スプラインを用いて非線形関係を検証し、非線形項が統計的に有意でない場合は線形形式を維持しました。多重共線性は分散拡大係数（VIF）によって評価し、分散拡大係数が5より大きい変数は同時に保持しませんでした。

複合予測因子セットの構築

高次元の画像特徴量をモデルに直接入力することによる過学習を避けるため、ディープラーニングによる情報はまず単一の連続変数であるDLスコアへと圧縮され、その後、選択された臨床的リスク因子とともに結合モデリングに共同で投入されました。モデルの簡潔さと解釈可能性を維持するため、結合モデルにおいて交互作用項はあらかじめ設定しませんでした。最終的な結合予測因子セットは、DLスコアと保持された臨床変数で構成されました。

リスク予測モデルの構築：

モデリング戦略

導出コホートにおいて、臨床モデル、ディープラーニングモデル、および複合モデルを個別に構築した。各モデルにはCox比例ハザード回帰を用い、ベースライン後24か月以内に発生した初回骨脆弱性椎体骨折を研究エンドポイントとした。打ち切りルールについては、前述の追跡調査の定義に従った。過学習を抑制するため、モデリング前に複合モデルの複雑さを制限し、パラメータあたりのイベント数（event-per-parameter ratio）を可能な限り高く維持した。各モデルの最終的な回帰係数と標準誤差は、10個の補完データセットで個別に推定し、その後Rubinの法則を用いて統合した。ベースラインハザード関数はBreslow法に従って推定し、個々の2年リスク確率を算出した。

臨床モデルの構築

臨床モデルには、LASSO-Cox選択後に保持された臨床的リスク因子が含まれました。すべての連続変数は連続形式のままとし、二分化は行いませんでした。モデル適合後、Schoenfeld残差を用いて比例ハザード仮定を検証しました。比例ハザード仮定を満たさない変数については、補正のためにln(time)との交互作用項を追加しました。この臨床モデルを用いて、従来の臨床情報の新規椎体骨折に対する予測能を評価しました。

ディープラーニング画像モデルの構築

深層学習モデルは、ベースラインの胸腰椎側方X線写真から得られた深層学習特徴量が、2年以内の新規椎体骨折リスクをどの程度予測できるかを定量化するため、DLスコアのみを予測因子とするCox比例ハザードモデルとして構築されました。このモデルには臨床情報は一切導入されておらず、他のモデルと比較するための画像単一モダリティモデルとして機能しました。

複合モデルの構築

統合モデルでは、臨床モデルにDLスコアをさらに加え、胸腰椎側面のX線写真から得られたディープラーニング特徴量と臨床的リスク要因を組み合わせた包括的な予測モデルを構築した。統合モデルの構築後、個別のリスク推定および臨床応用の提示のため、その回帰係数に基づいた2年リスクノモグラムを作成した。

モデルの内部検証および性能評価：

内部バリデーション法

内部検証では、時間的に分離した単一センター内部検証戦略を採用した。導出コホートで構築されたすべてのモデルは、パラメータを固定した後、再フィッティングを行うことなく、2022年1月1日から2023年12月31日までに登録された検証コホートに直接適用された。さらに、モデルの安定性を評価するため、導出コホート内で1,000回のブートストラップ再サンプリングを行い、楽観度補正後の性能推定値を得た。

識別能の評価

モデルの識別能は、Harrellのコンコーダンス指数および、逆確率検閲重み付け法に基づいて算出された2年時点の時間依存性AUCによって評価し、ともに95%信頼区間を報告した。識別能が高いほど、将来的に新規椎体骨折を発症する個体と発症しない個体をモデルがより正確に区別できることを示す。モデル間の識別能の差は、ブートストラップ法を用いて95%信頼区間とともに算出した。

キャリブレーションの評価

モデルの較正は、2年リスク較正曲線、較正インターセプト、較正スロープ、および2年Brierスコアを用いて評価した。較正曲線は予測リスクの10分位に基づいてプロットし、ブートストラップ法で補正した。較正インターセプトが0に近く、較正スロープが1に近く、Brierスコアが低いほど、予測リスクと実際に観察されたリスクとの一致度が高いことを示す。

臨床応用価値の評価

このモデルの臨床応用価値は、異なる閾値確率における正味の便益（net benefit）を比較する2年間の決定曲線分析によって評価されました。閾値確率の範囲は、強化フォローアップ、さらなる骨評価、または介入管理に臨床的に用いられ得るリスク区間をカバーするため、0.05–0.30と事前に設定されました¹⁴。正味の便益が高いモデルほど、臨床的な意思決定支援価値が高いとみなされました。

モデルの比較および最適モデルの決定

臨床モデル、ディープラーニングモデル、および複合モデルを、識別能、キャリブレーション、ブライアスコア、および決定曲線によって包括的に比較しました。臨床モデルに対する複合モデルの利得は、2年時点の時間依存性ネット再分類改善（net reclassification improvement）および統合識別改善（integrated discrimination improvement）を用いてさらに定量化しました。最良のモデルは、高い識別能、良好なキャリブレーション、低い予測誤差、およびより大きなネットベネフィットを同時に備えたモデルとして事前に規定しました。

統計解析：

連続変数の分布パターンをまずShapiro-Wilk検定で評価し、正規分布に従うものは平均値 ± 標準偏差として、歪んだ分布を示すものは中央値および四分位範囲として提示した。カテゴリ変数は、症例数と割合として提示した。導出コホートと検証コホートのベースライン特性の比較には、それぞれ独立サンプルt検定、Mann-Whitney U検定、χ²検定、またはFisherの直接確率検定を用いた。ベースライン比較はコホート特性の記述のみに使用し、変数選択の根拠としては用いなかった。すべての統計検定は両側検定とし、P < 0.05を統計的に有意であるとみなした。統計解析はRソフトウェアを用い、主にsurvival、glmnet、mice、rms、timeROC、およびrmdaパッケージを使用して完了した。画像の前処理およびディープラーニング解析は、PythonおよびPyTorch環境で完了した。結果の堅牢性を評価するため、感度分析として完全ケース解析を追加で実施した。

結果

後方視的コホートの構築プロセスおよびコホートのベースライン特性

研究期間中に胸腰椎側面のX線記録を収集し、重複排除後に6,114例の患者をスクリーニング対象とした。その後、年齢による段階的な除外を行い、 < 50歳未満、ベースライン時に骨折がある者、およびフォローアップが不十分な者を除外した結果、最終的に計2,173人の患者が組み入れられた。そのうち1,449人を導出コホートに、724人を内部検証コホートに割り付けた（図1）。派生コホートと内部検証コホートのベースライン特性の分布は概ね均衡しており、年齢、性別、ボディマス指数、または主要な臨床的リスク因子において統計的に有意な差は認められなかった（すべて P > 0.05）。2つのコホートにおける追跡期間の中央値はそれぞれ23.4か月および23.1か月であった。椎体骨折の新規発症件数はそれぞれ131件および63件であり、2年累積罹患率はそれぞれ9.21%および8.91%で、統計的に有意な差は認められなかった（P = 0.812）...

ディスカッション

統合モデルは、楽観度補正および時間的内部検証後も最適な性能を維持しており、胸腰椎側面のX線写真から得られたディープラーニング特徴量は、単なる臨床情報の繰り返しではなく、2年以内の新規椎体骨折のリスク評価において、独立しており検証可能な増分情報を提供できることが示唆された。その意義は、全身性の脆弱性と局所的な脊椎構造の脆弱性という背景を、同一の予測フレームワークに組み込んだ点にある。年齢、女性、低いbody mass index、既往の脆弱性骨折、糖尿病、およびグルココルチコイドへの曝露は、骨量の減少、骨質の低下、筋支持の不足、および再骨折への感受性を反映しており、患者の全体的なベースライン骨折リスクを決定する¹⁵。一方で、ディープラーニング特徴量は、通常の画像読影では安定して定量化することが困難な、胸腰椎領域における椎体終板の形態、軽微な楔状変形、骨テクスチャの粗さ、皮質境界の変化、および異常な力学的分布を捉える可能性が高く、これにより局所的な画像レベルでの脆弱性情報を補完している¹⁶。これら2種類の情報は異なる病理学的レベルに対応しており、...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
glmnet パッケージ	CRAN	N/A	LASSO-Cox回帰分析に使用。
ITK-SNAP	ペンシルベニア大学 / ITK-SNAP プロジェクト	N/A	ベースライン画像のROIアノテーションに使用。
mice パッケージ	CRAN	N/A	多重代入法に使用。
Python	Python Software Foundation	version 3.10	画像の前処理およびディープラーニング解析に使用。
PyTorch	PyTorch Foundation / Linux Foundation	version 2.1	ディープラーニングモデルの開発および特徴量抽出に使用。
R version	R Foundation for Statistical Computing	version 4.3.2	統計解析に使用。
rmda パッケージ	CRAN	N/A	決定曲線分析に使用。
rms パッケージ	CRAN	N/A	モデル開発および較正分析に使用。
survival パッケージ	CRAN	N/A	Cox比例ハザード回帰分析に使用。
timeROC パッケージ	CRAN	N/A	時間依存性AUC分析に使用。