PHÁT HIỆN LOÃNG XƯƠNG DỰA TRÊN ẢNH X-RAY CỘT SỐNG SỬ DỤNG HỌC SÂU KẾT HỢP THÔNG TIN LÂM SÀNG
DOI:
https://doi.org/10.59266/houjs.2026.1333Keywords:
loãng xương, học sâu, X-Ray cột sống, vector embedding, XGBoost, LUMOS, DeLong testAbstract
Loãng xương làm tăng nguy cơ gãy xương và thường được chẩn đoán bằng DXA (Dual-energy X-ray Absorptiometry), tuy nhiên thiết bị này có chi phí cao và chưa phổ biến tại nhiều cơ sở y tế tuyến dưới. Nghiên cứu này đề xuất quy trình sàng lọc loãng xương hai bước, không sử dụng các biến DXA ở đầu vào, dựa trên ảnh X-ray cột sống thắt lưng kết hợp thông tin lâm sàng. Quy trình được đánh giá trên tập X-ray của bộ dữ liệu LUMOS gồm 803 bệnh nhân và 1.620 ảnh. Ở bước đầu, OsteoNet và FCoTNet được dùng để trích xuất vector đặc trưng 128 chiều từ ảnh X-ray. Bước tiếp theo, vector này được kết hợp với các nhóm đặc trưng lâm sàng và đưa vào XGBoost để phân loại ba nhóm: Bình thường, Giảm mật độ xương và Loãng xương. Kết quả cho thấy các tổ hợp chứa biến DXA như mật độ loãng xương (Bone Mineral Density – BMD) hoặc T-score đều đạt AUC = 1,000 do nhãn được định nghĩa trực tiếp từ T-score, phản ánh rò rỉ nhãn và không có ý nghĩa lâm sàng. Sau khi loại bỏ biến DXA, baseline chỉ dùng thông tin lâm sàng đạt AUC = 0,709; trong khi OsteoNet + Demo+Morph đạt AUC = 0,761. Kiểm định DeLong cho thấy cải thiện có ý nghĩa so với chỉ dùng embedding ảnh (p = 0,0002) và ở mức cận biên so với baseline lâm sàng thuần (p = 0,050).
References
Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A Next-generation Hyperparameter Optimization Framework. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, Anchorage, AK, USA. https://doi.org/10.1145/3292500.3330701
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA. https://doi.org/10.1145/2939672.2939785
DeLong, E. R., DeLong, D. M., & Clarke‐ Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics, 44 3, 837-845.
Genant, H. K., Wu, C. Y., van Kuijk, C., & Nevitt, M. C. (1993). Vertebral fracture assessment using a semiquantitative technique. Journal of Bone and Mineral Research, 8(9), 1137-1148. https://doi.org/10.1002/jbmr.5650080915
Hsieh, C.-I., Zheng, K., Lin, C., Mei, L., Lu, L., Li, W., Chen, F.-P., Wang, Y., Zhou, X., Wang, F., Xie, G., Xiao, J., Miao, S., & Kuo, C.-F. (2021). Automated bone mineral density prediction and fracture risk assessment using plain radiographs via deep learning. Nature Communications, 12(1). https://doi.org/10.1038/s41467-021-25779-x
Johnell, O., & Kanis, J. A. (2006). An estimate of the worldwide prevalence and disability associated with osteoporotic fractures. Osteoporosis International, 17(12), 1726-1733. https://doi.org/10.1007/s00198-006-0172-4
Kanis, J. A., Cooper, C., Rizzoli, R., Reginster, J. Y., & Scientific Advisory Board of the European Society for Clinical and Economic Aspects of Osteoporosis (ESCEO), & Committees of Scientific Advisors and National Societies of the International Osteoporosis Foundation (IOF). (2019). European guidance for the diagnosis and management of osteoporosis in postmenopausal women. Osteoporosis International, 30(1), 3-44. https://doi.org/10.1007/ s00198-018-4704-5
Muzaffar, A., Riaz, F., & Tahir, M. (2025). OsteoNet-A Framework for Identifying Osteoporosis in Bone Radiograph Images Using Attention- Based VGG Network. IEEE Access, PP, 1-1. https://doi.org/10.1109/ACCESS.2025.3538828
Shi, K., Shen, Q., Ye, Z., Jiang, L., Bu, J., & Wang, H. (2025). LUMOS: A Lumbar Multimodal Osteoporosis Screening Dataset with X-ray and CT images. Proceedings of the 33rd ACM International Conference on Multimedia, Dublin, Ireland. https:// doi.org/10.1145/3746027.3758282
World Health Organization. (2003). Prevention and management of osteoporosis. (WHO Technical Report Series No. 921).
Xue, L., Qin, G., Chang, S., Luo, C., Hou, Y., Xia, Z., Yuan, J., Wang, Y., Liu, S., Liu, K., Li, X., Wu, S., Zhao, Q., Gao, W., & Yang, K. (2023). Osteoporosis prediction in lumbar spine X-ray images using the multi-scale weighted fusion contextual transformer network. Artificial Intelligence in Medicine, 143, 102639. https://doi.org/10.1016/j.artmed.2023.102639
Yamamoto, N., Sukegawa, S., Kitamura, A., Goto, R., Noda, T., Nakano, K., Takabatake, K., Kawai, H., Nagatsuka, H., Kawasaki, K., Furuki, Y., & Ozaki, T. (2020). Deep Learning for Osteoporosis Classification Using Hip Radiographs and Patient Clinical Covariates. Biomolecules, 10(11), 1534.
