应用放射组学识别骨质疏松症—当前的可能性和前景： 科学综述

封面图片

如何引用文章

全文:

详细

随着人口的老龄化，骨质疏松性骨折的发生率持续增加，这与人口转变有关。这个问题在包括俄罗斯联邦在内的发达国家尤为重要。放射组学有望成为识别骨质疏松症的有效工具。

本文综述了放射组学分析在肿瘤性和非肿瘤性疾病诊断中的发展和应用，特别是在骨质疏松症方面。

文献检索工作使用了PubMed、Google Scholar和eLibrary等搜索引擎，涵盖了过去五年的相关文献。有关骨质疏松症的流行病学和流行率数据来自过去十五年的出版物。检索使用了以下关键词：“radiomic”(放射组学)、 “osteoporosis”(骨质疏松症)、“texture”(纹理分析 ) 、“magnetic resonance imaging”(磁共振成像)、“computed tomography” (计算机断层扫 )、“non-oncological radiomics”(非肿瘤学放射混合疗法)、“магнитно-резонансная томография” (磁共振成像), “компьютерная томография” (计算机断层扫描), “радиомика” (放射组学), “остеопороз” (骨质疏松症),“текстурный анализ” (纹理分析) 和 “радиомический анализ”(放射组学分析)。本文包括了原始临床研究的数据。最终，找到了247篇文章，其中经过分析后，选出了59项研究。

研究发现，关于放射组学分析在识别骨质疏松症中的应用研究相对较少。未来需要进一步研究放射组学分析在使用计算机断层扫描和磁共振成像图像识别骨质疏松症的潜力，并与公认的方法进行比较——例如双能X射线吸收法和FRAX（Fracture Risk Assessment Tool）算法。

作者简介

Anton I. Chugaev

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies; MRI24

编辑信件的主要联系方式.
Email: chugaev020379@yandex.ru
ORCID iD: 0009-0006-8930-9320
俄罗斯联邦, Moscow; Moscow

Yuriy A. Vasilev

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN 代码: 4458-5608

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Alexey V. Petraikin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: alexeypetraikin@gmail.com
ORCID iD: 0000-0003-1694-4682
SPIN 代码: 6193-1656

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Moscow

Ivan A. Blokhin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN 代码: 3306-1387

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Anton V. Vladzymyrskyy

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN 代码: 3602-7120

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Moscow

Olga V. Omelyanskaya

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: OmelyanskayaOV@zdrav.mos.ru
ORCID iD: 0000-0002-0245-4431
SPIN 代码: 8948-6152
俄罗斯联邦, Moscow

参考

  1. Kanis JA, Melton LJ, Christiansen C, et al. The diagnosis of osteoporosis. Journal of Bone and Mineral Research. 1994;9(8):1137–1141. doi: 10.1002/jbmr.5650090802
  2. Lesnyak OM, Baranova IA, Belova KYu, et al. Osteoporosis in Russian Federation: epidemiology, socio-medical and economical aspects (review). Traumatology and Orthopedics of Russia. 2018;24(1):155–168. doi: 10.21823/2311-2905-2018-24-1-155-168 EDN: YVGNSE
  3. Lesnyak O, Svedbom A, Belova K, et al. Quality of life after fragility fracture in the Russian Federation: results from the Russian arm of the International Cost and Utility Related to Osteoporotic Fractures Study (ICUROS). Archives of Osteoporosis. 2020;15(1):37. doi: 10.1007/s11657-020-0699-6 EDN: ZGZODH
  4. LeBoff MS, Greenspan SL, Insogna KL, et al. The clinician’s guide to prevention and treatment of osteoporosis. Osteoporos Int. 2022;33(10):2049–102. doi: 10.1007/s00198-021-05900-y Corrected and republished from: Osteoporos Int. 2022;33(10):2243. doi: 10.1007/s00198-022-06479-8
  5. van Staa TP, Dennison EM, Leufkens HGM, Cooper C. Epidemiology of fractures in England and Wales. Bone. 2001;29(6):517–522. doi: 10.1016/s8756-3282(01)00614-7 EDN: EJUXUV
  6. Wainwright SA, Marshall LM, Ensrud KE, et al. Hip fracture in women without osteoporosis. J Clin Endocrinol Metab. 2005;90(5):2787–2793. doi: 10.1210/jc.2004-1568
  7. Schuit SCE, van der Klift M, Weel AE, et al. Fracture incidence and association with bone mineral density in elderly men and women: the Rotterdam Study. Bone. 2004;34(1):195–202. doi: 10.1016/j.bone.2003.10.001 EDN: MDSZRJ Corrected and republished from: Bone. 2006;38(4):603.
  8. Siris ES, Chen YT, Abbott TA, et al. Bone mineral density thresholds for pharmacological intervention to prevent fractures. Arch Intern Med. 2004;164(10):1108–1112. doi: 10.1001/archinte.164.10.1108 EDN: XTVWZS
  9. Fink HA, Milavetz DL, Palermo L, et al. What proportion of incident radiographic vertebral deformities is clinically diagnosed and vice versa? J Bone Miner Res. 2005;20(7):1216–1222. doi: 10.1359/JBMR.050314
  10. Viswanathan M, Reddy S, Berkman N, et al. Screening to prevent osteoporotic fractures: updated evidence report and systematic review for the US preventive services task force. JAMA. 2018;319(24):2532–2551. doi: 10.1001/jama.2018.6537
  11. Greenspan SL, Singer A, Vujevich K, et al. Implementing a fracture liaison service open model of care utilizing a cloud-based tool. Osteoporos Int. 2018;29(4):953–960. doi: 10.1007/s00198-017-4371-y EDN: PBVQEQ
  12. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563–577. doi: 10.1148/radiol.2015151169
  13. Belaya ZhE, Belova KYu, Biryukova EV, et al. Federal clinical guidelines for diagnosis, treatment and prevention of osteoporosis. Osteoporosis and Bone Diseases. 2021;24(2):4–47. doi: 10.14341/osteo12930 EDN: TUONYE
  14. Genant HK, Wu CY, van Kuijk C, Nevitt MC. Vertebral fracture assessment using a semiquantitative technique. J Bone Miner Res. 1993;8(9):1137–1148. doi: 10.1002/jbmr.5650080915
  15. Lesnyak O, Bilezikian JP, Zakroyeva A, et al. Report on the audit on burden of osteoporosis in Eight Countries of the Eurasian Region: Armenia, Belarus, Georgia, Moldova, Kazakhstan, the Kyrgyz Republic, the Russian Federation, and Uzbekistan. Archives of Osteoporosis. 2020;15(1):175. doi: 10.1007/s11657-020-00836-y EDN: UNBZCB
  16. Wang X, Sanyal A, Cawthon PM, et al. Prediction of new clinical vertebral fractures in elderly men using finite element analysis of CT scans. J Bone Miner Res. 2012;27(4):808–816. doi: 10.1002/jbmr.1539
  17. Samelson EJ, Broe KE, Xu H, et al. Cortical and trabecular bone microarchitecture as an independent predictor of incident fracture risk in older women and men in the Bone Microarchitecture International Consortium (BoMIC): a prospective study. Lancet Diabetes Endocrinol. 2019;7(1):34–43. doi: 10.1016/S2213-8587(18)30308-5 Corrected and republished from: Lancet Diabetes Endocrinol. 2019;7(1):e1. doi: 10.1016/S2213-8587(18)30345-0 Corrected and republished from: Lancet Diabetes Endocrinol. 2019;7(6):e18. doi: 10.1016/S2213-8587(19)30140-8
  18. Vasilev YuA, Vladzymyrskyy AV, Artyukova ZR, et al. Diagnostics and screening of osteoporosis based on the results of computed tomography of the abdominal organs: guidelines. Moscow: Moscow Center for Diagnostics and Telemedicine; 2023. (In Russ.) EDN: DXUJZD
  19. Lin W, He C, Xie F, et al. Quantitative CT screening improved lumbar BMD evaluation in older patients compared to dual-energy X-ray absorptiometry. BMC Geriatr. 2023;23(1):231. doi: 10.1186/s12877-023-03963-6 EDN: IMPCNF
  20. Liu ZJ, Zhang C, Ma C, et al. Automatic phantom-less QCT system with high precision of BMD measurement for osteoporosis screening: technique optimisation and clinical validation. J Orthop Translat. 2022;33:24–30. doi: 10.1016/j.jot.2021.11.008 EDN: ZEKPFP
  21. Hossain SD, Petraikin AV, Muraev AA, et al. Bone mineral density radiopaque templates for cone beam computed tomography and multidetector computed tomography. Digital Diagnostics. 2023;4(3):292–305. doi: 10.17816/DD501771 EDN: KWYJXH
  22. Manhard MK, Nyman JS, Does MD. Advances in imaging approaches to fracture risk evaluation. Transl Res. 2017;181:1–14. doi: 10.1016/j.trsl.2016.09.006 EDN: YWDLBD
  23. Kanis JA, Hans D, Cooper C, et al. Interpretation and use of FRAX in clinical practice. Osteoporos Int. 2011;22(9):2395–2411. doi: 10.1007/s00198-011-1713-z EDN: YAEETY
  24. Adami G, Biffi A, Porcu G, et al. A systematic review on the performance of fracture risk assessment tools: FRAX, DeFRA, FRA-HS. J Endocrinol Invest. 2023;46(11):2287–2297. doi: 10.1007/s40618-023-02082-8 EDN: KGDPNO
  25. Nikitinskaya OA, Toroptsova NV. Assessment of fractures risk using the FRAX® tool (a ten-year retrospective study). Almanac of Clinical Medicine. 2016;(32):50–55. doi: 10.18786/2072-0505-2014-32-50-55 EDN: SXYJPF
  26. McCague C, Ramlee S, Reinius M, et al. Introduction to radiomics for a clinical audience. Clinical Radiology. 2023;78(2):83–98. doi: 10.1016/j.crad.2022.08.149 EDN: FTQEEU
  27. Haralick RM, Shanmugam K, Dinstein I. Textural Features for Image Classification. IEEE Trans Syst Man Cybern. 1973;SMC-3(6):610–621. doi: 10.1109/TSMC.1973.4309314
  28. Sutton RN, Hall EL. Texture measures for automatic classification of pulmonary disease. IEEE Transactions on Computers. 1972;C-21(7):667–676. doi: 10.1109/T-C.1972.223572
  29. Park H, Lim Y, Ko ES, et al. Radiomics signature on magnetic resonance imaging: association with disease-free survival in patients with invasive breast cancer. Clin Cancer Res. 2018;24(19):4705–14. doi: 10.1158/1078-0432.CCR-17-3783
  30. Yao Q, Liu M, Yuan K, et al. Radiomics nomogram based on dual-energy spectral CT imaging to diagnose low bone mineral density. BMC Musculoskeletal Disorders. 2022;23(1):424. doi: 10.1186/s12891-022-05389-4 EDN: ZJCBIU
  31. Rizzo S, Botta F, Raimondi S, et al. Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp. 2018;2(1):36. doi: 10.1186/s41747-018-0068-z EDN: FCYFNJ
  32. Zwanenburg A, Vallières M, Abdalah MA, et al. The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328–38. doi: 10.1148/radiol.2020191145 EDN: HZVKJN
  33. Corrias G, Micheletti G, Barberini L, et al. Texture analysis imaging «what a clinical radiologist needs to know». Eur J Radiol. 2022;146(2):110055. doi: 10.1016/j.ejrad.2021.110055
  34. Court LE, Fave X, Mackin D, et al. Computational resources for radiomics. Transl Cancer Res. 2016;5(4):340–348. doi: 10.21037/tcr.2016.06.17 EDN: POXYYB
  35. van Timmeren JE, Cester D, Tanadini-Lang S, et al. Radiomics in medical imaging — «how-to» guide and critical reflection. Insights Imaging. 2020;11(1):91. doi: 10.1186/s13244-020-00887-2
  36. Wagner MW, Namdar K, Biswas A, et al. Radiomics, machine learning, and artificial intelligence — what the neuroradiologist needs to know. Neuroradiology. 2021;63(12):1957–1967. doi: 10.1007/s00234-021-02813-9 EDN: HJQKML
  37. Vial A, Stirling D, Field M, et al. The role of deep learning and radiomic feature extraction in cancer-specific predictive modelling: a review. Transl Cancer Res. 2018;7(3):803–816. doi: 10.21037/tcr.2018.05.02
  38. García Santos JM, Plasencia Martínez JM, Fabuel Ortega P, et al. Radiology departments as COVID-19 entry-door might improve healthcare efficacy and efficiency, and emergency department safety. Insights Imaging. 2021;12(1):1. doi: 10.1186/s13244-020-00954-8 EDN: TALMZP
  39. Ramspek CL, Jager KJ, Dekker FW, et al. External validation of prognostic models: what, why, how, when and where? Clin Kidney J. 2021;14(1):49–58. doi: 10.1093/ckj/sfaa188 EDN: LAPIBN
  40. Limkin EJ, Sun R, Dercle L, et al. Promises and challenges for the implementation of computational medical imaging (radiomics) in oncology. Ann Oncol. 2017;28(6):1191–206. doi: 10.1093/annonc/mdx034
  41. Santos AG, da Rocha GO, de Andrade JB. Occurrence of the potent mutagens 2- nitrobenzanthrone and 3-nitrobenzanthrone in fine airborne particles. Sci Rep. 2019;9(1):1. doi: 10.1038/s41598-018-37186-2
  42. Gooden MJ, de Bock GH, Leffers N, et al. The prognostic influence of tumour-infiltrating lymphocytes in cancer: a systematic review with meta-analysis. Br J Cancer. 2011;105(1):93–103. doi: 10.1038/bjc.2011.189
  43. Ren J, Tian J, Yuan Y, et al. Magnetic resonance imaging based radiomics signature for the preoperative discrimination of stage I-II and III-IV head and neck squamous cell carcinoma. Eur J Radiol. 201;106:1–6. doi: 10.1016/j.ejrad.2018.07.002
  44. Aerts HJ, Velazquez ER, Leijenaar RTH, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. 2014;5(1):4006. doi: 10.1038/ncomms5006 Corrected and republished from: Nat Commun. 2014;5:4644.
  45. Granzier RWY, van Nijnatten TJA, Woodruff HC, et al. Exploring breast cancer response prediction to neoadjuvant systemic therapy using MRI-based radiomics: a systematic review. Eur J Radiol. 2019;121:108736. doi: 10.1016/j.ejrad.2019.108736 EDN: VXYGTU
  46. Shaish H, Aukerman A, Vanguri R, et al. Radiomics of MRI for pretreatment prediction of pathologic complete response, tumor regression grade, and neoadjuvant rectal score in patients with locally advanced rectal cancer undergoing neoadjuvant chemoradiation: an international multicenter study. Eur Radiol. 2020;30(11):6263–6273. doi: 10.1007/s00330-020-06968-6 EDN: UOKLLV
  47. Sun C, Tian X, Liu Z, et al. Radiomic analysis for pretreatment prediction of response to neoadjuvant chemotherapy in locally advanced cervical cancer: a multicentre study. EBioMedicine. 2019;46:160–169. doi: 10.1016/j.ebiom.2019.07.049
  48. Zhao L, Gong J, Xi Y, et al. MRI-based radiomics nomogram may predict the response to induction chemotherapy and survival in locally advanced nasopharyngeal carcinoma. Eur Radiol. 2020;30(1):537–546. doi: 10.1007/s00330-019-06211-x EDN: EIRSSZ
  49. Nardone V, Reginelli A, Grassi R, et al. Delta radiomics: a systematic review. Radiol Med. 2021;126(12):1571–1583. doi: 10.1007/s11547-021-01436-7 EDN: PWBARF
  50. Burian E, Subburaj K, Mookiah MRK, et al. Texture analysis of vertebral bone marrow using chemical shift encoding–based water-fat MRI: a feasibility study. Osteoporos Int. 2019;30(6):1265–1274. doi: 10.1007/s00198-019-04924-9 EDN: IVFDCX
  51. Kawashima Y, Fujita A, Buch K, et al. Using texture analysis of head CT images to differentiate osteoporosis from normal bone density. Eur J Radiol. 2019;116:212–218. doi: 10.1016/j.ejrad.2019.05.009
  52. Valentinitsch A, Trebeschi S, Kaesmacher J, et al. Opportunistic osteoporosis screening in multi-detector CT images via local classification of textures. Osteoporos Int. 2019;30(6):1275–1285. doi: 10.1007/s00198-019-04910-1 EDN: USTGTS
  53. White R, Krueger D, De Guio F, et al. An exploratory study of the texture research investigational platform (TRIP) to evaluate bone texture score of distal femur DXA scans – A TBS-based approach. J Clin Densitom. 2021;24(1):112–117. doi: 10.1016/j.jocd.2019.06.004 EDN: DQGTII
  54. Rastegar S, Vaziri M, Qasempour Y, et al. Radiomics for classification of bone mineral loss: a machine learning study. Diagnostic and Interventional Imaging. 2020;101(9):599–610. doi: 10.1016/j.diii.2020.01.008 EDN: MXTTFU
  55. Jiang YW, Xu XJ, Wang R, Chen CM. Radiomics analysis based on lumbar spine CT to detect osteoporosis. European Radiology. 2022;32(11):8019–8026. doi: 10.1007/s00330-022-08805-4 EDN: FFIEJM
  56. van Griethuysen JJM, Fedorov A, Parmar C, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017;77(21):e104–e107. doi: 10.1158/0008-5472.CAN-17-0339
  57. Steinhauer V, Sergeev NI. Radiomics in Breast Cancer: In-Depth Machine Analysis of MR Images of Metastatic Spine Lesion. Sovremennye tehnologii v medicine. 2022;14(2):16–25. doi: 10.17691/stm2022.14.2.02 EDN: XFVITL
  58. Kim S, Kim BR, Chae HD, et al. Deep radiomics–based approach to the diagnosis of osteoporosis using hip radiographs. Radiology: Artificial Intelligence. 2022;4(4):e210212. doi: 10.1148/ryai.210212 EDN: QKWOZX
  59. Wang J, Zhou S, Chen S, et al. Prediction of osteoporosis using radiomics analysis derived from single source dual energy CT. BMC Musculoskeletal Disorders. 2023;24(1):100. doi: 10.1186/s12891-022-06096-w EDN: CSYYUO
  60. Xie Q, Chen Y, Hu Y, et al. Development and validation of a machine learning-derived radiomics model for diagnosis of osteoporosis and osteopenia using quantitative computed tomography. BMC Medical Imaging. 2022;22(1):140. doi: 10.1186/s12880-022-00868-5 EDN: TBGMNV
  61. Martel D, Monga A, Chang G. Radiomic analysis of the proximal femur in osteoporosis women using 3T MRI. Front Radiol. 2023;3:1293865. doi: 10.3389/fradi.2023.1293865 EDN: CMHBMX
  62. Zhen T, Fang J, Hu D, et al. Comparative evaluation of multiparametric lumbar MRI radiomic models for detecting osteoporosis. BMC Musculoskelet Disord. 2024;25(1):185. doi: 10.1186/s12891-024-07309-0 EDN: JXNNRY
  63. Vasilev YA, Bobrovskaya TM, Arzamasov KM, et al. Medical datasets for machine learning: fundamental principles of standartization and systematization. Manager Zdravookhranenia. 2023;(4):28–41. doi: 10.21045/1811-0185-2023-4-28-41 EDN: EPGAMD

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1

下载 (256KB)
索引源数据

版权所有 © Eco-Vector, 2025

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».