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<....

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....

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。