基于多任务深度学习框架的机会性骨质流失筛查：灵敏度约束阈值优化
计算机视觉与模式识别
2026-04-23 v1
摘要
背景：骨质疏松症和骨质稀疏症常在骨折发生后才被诊断。双能X射线吸收度（DXA）是骨密度（BMD）评估的参考标准，但获取渠道有限。膝关节X光片在骨关节炎评估时可获得量大，可能为机会性骨质流失筛查提供机会。目的：开发和评估一种从常规膝关节X光片进行机会性骨质流失筛查的多任务深度学习系统，而无需额外的影像检查或患者就诊。方法：我们开发了STR-Net，一种用于单通道灰度膝关节X光片的多任务框架。该模型包括共享主干网络、全局平均池化特征聚合、共享颈部和与三个任务特定头部相连的任务感知表示路由模块：二分类筛查（正常 vs. 骨质流失）、严重程度亚分类（骨质疏松症 vs. 骨质疏松症）以及弱耦合T分数回归（可选临床变量）。应用灵敏度约束阈值优化策略（最小灵敏度≥0.86）。数据集包括1,570例膝关节X光片，按患者水平划分为训练集（n=1,120）、验证集（n=226）和测试集（n=224）。结果：在测试集上，STR-Net二分类筛查的AUROC为0.933，灵敏度为0.904，特异度为0.773，AUPRC为0.956。严重程度亚分类的AUROC为0.898。T分数回归分支在m=31的小样本子集中与DXA测量的T分数相关系数为0.801，平均绝对误差为0.279，均方根误差为0.347。结论：STR-Net实现了从常规膝关节X光片进行单次骨质流失筛查、严重程度分层和定量T分数估计。部署前需进行前瞻性临床验证。
引用
@article{arxiv.2604.20268,
title = {Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization},
author = {Zhaochen Li and Xinghao Yan and Runni Zhou and Xiaoyang Li and Chenjie Zhu and Gege Wang and Yu Shi and Lixin Zhang and Rongrong Fu and Liehao Yan and Yuan Chai},
journal= {arXiv preprint arXiv:2604.20268},
year = {2026}
}