奈良科学技术研究所 (NAIST) 的研究人员开发了一种基于机器学习的方法，用于骨骼疾病的机会性筛查和早期诊断。
骨质疏松症是一种普遍存在的疾病，其特征是骨矿物质密度(BMD) 低，导致骨骼脆弱和脆弱。患有骨质疏松症的人骨折的风险更高，并且日常功能有所下降。
诊断骨质疏松症的黄金标准包括双能 X 射线吸收测定法 (DXA) 和定量计算机断层扫描(QCT)，但这些方法需要专门的设备并且可能很昂贵。因此，需要更容易获得和更具成本效益的骨质疏松症筛查方式。虽然使用机器学习方法从 X 射线图像估计 BMD 最近势头强劲，但它通常需要大量训练数据集。
为了解决这个问题，日本研究人员现已开发出一种新方法，使用机器学习方法创建分层学习框架，以根据普通 X 射线图像估计 BMD。由 NAIST 的 Yi Gu、Yoshito Otake、Yoshinobu Sato 和大阪大学的 Keisuke Uemura 领导的研究小组在《医学图像分析》杂志上发表了他们的研究结果。
Otake 解释说：“骨质疏松症通常在症状明显后才被诊断为晚期。X 射线图像对于机会诊断很有价值，但从中有效提取 BMD 信息一直是一个重大挑战。我们希望通过利用信息来解决这个问题在训练阶段从计算机断层扫描 (CT) 图像中导出，开发一个模型，仅根据 X 射线图像即可准确、高效且可解释的 BMD 估计。”
为了创建训练数据集，首先使用患者的原始定量 CT (QCT) 扫描重建与患者 X 射线图像精确对齐的骨骼区域的虚拟 X 射线图像。随后，执行三个训练步骤来开发最终的 BMD 估计模型。
