深度学习如何检测椎体压缩性骨折

椎体骨折为何容易被漏诊

椎体压缩性骨折（Vertebral Compression Fracture）是骨质疏松症最常见的并发症之一，尤其在老年人群中高发。然而，这类骨折在胸腹部CT或脊柱X光片上常常表现隐匿，轻度压缩时椎体形态改变并不明显，加上放射科医生阅片量大、注意力易疲劳，漏诊和延迟诊断并不少见。

而椎体骨折的早期识别，恰恰对后续抗骨质疏松治疗和再骨折预防至关重要。

AI检测的技术思路

针对椎体骨折的AI检测，目前主要的技术路线是将骨折检测建模为"椎体定位+形态分级"的组合任务：

• 椎体定位与分割：利用深度学习分割模型，在矢状位影像上自动识别并分割出每个椎体，建立椎体序列的空间对应关系。
• 形态特征提取：基于分割结果，计算椎体前缘、中央、后缘高度等几何特征，判断是否存在楔形变、双凹变或压缩变形。
• 分级与报告：依据Genant半定量分级等方法，对骨折程度进行分级，并自动输出椎体高度丢失率等量化指标。

相比单纯的图像分类，这种"分割—测量—分级"的管线化思路能够给出可解释的量化依据，也更符合放射科的阅片习惯。

从筛查到诊断的落地价值

椎体骨折AI检测的临床价值主要体现在三个层面：

1. 机会性筛查：患者因其他原因（如肺部、腹部）做CT检查时，系统可自动附带筛查椎体骨折，让"顺带发现"变成系统性的主动筛查。
2. 效率提升：自动定位可疑骨折椎体并按风险排序，医生优先复核高风险区域，单例筛查时间大幅缩短。
3. 量化支撑：输出的椎体高度丢失率、压缩程度等指标，为治疗决策和随访评估提供了客观依据。

挑战与方向

椎体骨折AI检测仍面临一些现实挑战：不同医院扫描协议差异导致的影像异质性、轻度骨折标注标准不一、以及训练数据偏倚等。未来的方向包括引入三维影像分析、结合临床病史的多模态建模，以及通过数据回流实现模型的持续优化。

随着技术的成熟，椎体骨折AI检测有望成为放射科和骨质疏松管理中的标准配置，让更多隐匿骨折被及时发现。

本文由思陌医学影像分析团队整理，聚焦医学影像AI关键技术与临床应用。