第一部分基于CT影像组学预测中老年人骨质疏松研究目的:骨质疏松已成为公共健康问题。QCT目前是DXA以外可用于评估骨质疏松的主要方法,但是需要额外体模或软件,目前普及度不高。而常规CT成像应用范围广泛,胸腹部扫描时一般都带到椎体,无需额外成本、时间及辐射暴露。基于CT值评估骨质疏松已有文献报道,但是基于常规CT影像组学预测骨质疏松的研究较少。因此,本研究基于体检人群CT影像组学诊断骨质疏松,并联合临床、影像及生化资料中存在差异指标,探讨临床影像联合模型对骨质疏松的诊断效能。并在接受QCT检查的人群中进一步验证模型的稳定性及可重复性。材料及方法:本研究随机选取198名50岁以上接受CT检查的体检人群,数据收集时间为2016年7月至2021年1月。采集患者的年龄、性别及生化资料。使用RadiAnt软件在原始图像上测量胸12或胸11水平椎体CT值、胸11椎体中线水平竖脊肌面积、双侧竖脊肌均值及肝脏/脾脏CT比值。以独立样本T检验或Mann-Whitney U检验比较骨质疏松（胸12椎体水平松质骨CT值＜110HU）及对照组（≥110HU）连续变量的差异,采用卡方检验或非参数检验比较定性变量的差异。将年龄、性别、CT图像测量值及生化指标中具有统计学差异的指标纳入多因素logistic回归中,筛选出识别骨质疏松的独立相关因素,并构建联合预测模型,运用受试者工作曲线（ROC）曲线评估模型的预测效能。对两组患者的CT图像进行预处理,利用ITK-SKNAP在T12椎体轴位的松质骨区手动勾画大小为25*25*25像素感兴趣区（ROI）,并将其融合成三维图像,导入AK软件中提取影像组学特征。影像组学特征进行降维:Z-score标准化、相关性分析、LASSO回归降维,筛选出影像组学特征。将筛选出的前十个系数较大的特征纳入二元logistic回归,筛选出最终影像组学特征,建立联合模型。利用ROC曲线计算每个组学特征及组学联合模型曲线下面价（AUC）值,比较模型对骨质疏松的诊断效能。利用Spearman相关性分析,探索年龄、性别、竖脊肌面积、CT值及椎体CT值与影像组学特征之间的关系。将上述与骨质疏松相关的临床、影像及生化指标相关因素纳入二元logistic回归中,建立联合模型。利用Delong检验比较组学得分模型与相关风险因素联合模型的诊断效能。在58名QCT人群中,同上进行影像组学分析,选择以上基于CT图像预测骨质疏松的影像组学特征。采用单因素分析比较两组基于QCT筛选出的5个影像组学特征之间的差异。运用二元logistic回归将具有差异的特征组学特征建立联合模型。结果:在骨质疏松组与对照组中,单因素分析发现年龄、性别、竖脊肌CT值和面积具有统计学差异。将具有差异指标放入二元logistic回归中,发现年龄和性别为骨质疏松的独立危险因素,调整（竖脊肌面积、CT值及肝脾比值）后OR值分别为 1.09（95%CI:1.05-1.14）和 2.28（95%CI:1.05-4.95）,AUC 值分别为0.68和0.59。生化指标中血清丙氨酸氨基转移酶卡方检验具有统计学意义（P=0.05）,但是单因素逻辑回归无意义。利用AK软件计算共得出1316个影像组学特征,通过数据标准化后进行析LASSO回归,筛选出19个影像组学特征。选取前10个系数较大的组学特征纳入二元Logistic回归,最终筛选出5个影像组学特征,分别为wavelet-LLLfirs torder1 0Percentile、originalngtdmContrast、wavelet-LHLglszmZoneEntropy、originalgldmSmallDependenceLowGrayLevelEmphasis、wavelet-HHLfirstorderMean。ROC 曲线发现 wavelet-LLLfirstorder10Percentile 诊断价值较高（AU C=0.95）,影像组学得分模型诊断效能最高（AUC=0.98）,敏感性为94.2%,特异性为 92.2%。Spearman 相关性分析显示 wavelet-LLLfirstorder10Percentil e与椎体CT值呈显著正相关关系（r=0.91,P＜0.001）。Delong检验显示影像组学得分模型（AUC=0.98）比年龄+性别联合模型（AUC=0.74）诊断效能高（P＜0.01）。在QCT人群中验证上述影像组学特征,单因素分析发现骨质疏松组与对照组中,wavelet-LLLfirstorder10Percentile、wavelet-HHLfirstorderMean 具有统计学差异（P＜0.01,P＜0.01）,联合建立ROC模型发现AUC=0.986。wavel et-LLLfirstorder10Percentil 诊断效能仍然较高（AUC=0.989）。5 个组学特征与临床及影像相关性分析发现,wavelet-LLLfirstorder10Percentile与骨密度呈高度正相关（r=0.85,P＜0.01）。结论:1.影像组学模型对50岁以上骨质疏松患者与对照组具有较好的区分价值,并且其诊断效能高于临床（年龄+性别）联合模型。2.在QCT人群中验证基于CT筛选出的影像组学特征,发现两个参数联合模型及单纯wavelet-LLLfirstorder10Percentile模型诊断骨质疏松的价值仍然较高。影像组学特征的稳定性和可重复性高。3.相关性分析发现wavelet-LLLfirstorder10Percentile与椎体CT值及骨密度呈高度正相关,并且单纯该参数诊断骨质疏松症价值较高,该参数有助于辅助临床区分骨质疏松患者与正常人群。第二部分基于CT影像组学预测中老年人骨质疏松性骨折研究目的:骨折是骨质疏松的严重后果。目前基于CT影像组学预测骨质疏松性骨折的纵向研究较少。本研究探讨基于常规体检CT影像组学预测骨质疏松性骨折的临床价值,并进一步联合竖脊肌CT值、面积及影像组学分数或椎体CT值等构建椎体骨质疏松性骨折的预测模型及列线图。材料和方法:回顾性分析12250例2016年至2019年50岁以上接受胸部CT体检人群的临床及影像资料,进一步随访1-5年。最终共72例患者发生新发椎体骨折。控制年龄、性别及相应椎体部位,以1:2的比例匹配,随机选取随访期间无新发骨折的144名患者作为对照组。测量216名病例的基线图像上的竖脊肌面积、竖脊肌CT值、相应椎体CT值及肝脾CT比值。将以上变量纳入单因素及多因素logistic回归,逐步筛选出预测骨质疏松性骨折的独立相关因素,并计算曲线下面积（AUC）,比较各变量预测效能。在骨折患者基线CT图像上对应的小梁骨区勾画ROI,对照组ROI在相应椎体小梁骨区,提取影像组学参数,利用Spearman相关性分析、Lasso降低数据维度,最终获得小梁骨的组学特征的最优参数。选取前十个系数大的特征纳入二元logistic回归,筛选出对骨质疏松性骨折最具预测价值的特征并构建影像组学联合模型。运用ROC曲线评价影像组学特征的预测效能。对年龄、性别、竖脊肌面积及CT值等及影像组学标签进行单因素Logistic回归,筛选预测椎体骨质疏松性骨折的独立危险因素,并将危险因素纳入二元Logistic回归,建立联合模型并绘制列线图。运用ROC曲线评估危险因素对椎体骨质疏松性骨折的预测效能。采用校正曲线、决策曲线评估列线图的临床价值。利用Delong检验比较不同模型的预测性能。同时,将上述因素纳入单因素Cox及多因素Cox回归中,筛选预测椎体骨质疏松性骨折的独立危险因素,建立联合模型并绘制Cox列线图。根据ROC计算的阈值将有意义的独立危险因素分为高低风险两组,采用Kaplan-Meier生存分析法绘制骨折累积风险曲线。结果:骨折病例组与对照组基线资料中,椎体CT值、竖脊肌面积及CT值具有统计学意义（P＜0.01,P＜0.01,P＜0.01）。以上变量纳入二元逻辑回归,发现它们仍为骨质疏松性骨折独立相关因素,OR值分别为:5.68（95%CI:2.75-11.77）、0.96（95%CI:0.93-0.99）、0.72（95%CI:0.60-0.86）。通过影像组学技术共提取1316个组学特征,利用Spearman相关性分析、Lasso降低数据维度,最终筛选出17个预测骨质疏松性骨折最优参数。将前10个最优参数纳入二元logis tic回归,筛选出7个最具预测价值的特征,分别为log-sigma-3-0-mm-3Dngtd mContrast*102、log-sigma-2-0-mm-3DglcmInverse Variance、wavelet-LHLglc mInverseVariance、lbp-3D-m2glrlmRunLengthNonUniformity、wavelet-HLHglcmCorrelation、wavelet-HHLglcmCorrelation*102、wavelet-LLLfirstorder10Percentile,并建立影像组学标签。ROC分析显示影像组学标签预测效能最高,AUC 为 0.879,单独 wavelet-LLLfirstorder10Percentile 预测效能较高,AUC为 0.76。相关性分析显示,wavelet-LLLfirstorder10Percentile 与椎体 CT 值具有显著相关性（r=0.91）。将全部变量纳入单因素及二元logistic回归发现影像组学标签、骨质疏松（基线骨折椎体及对照组中相应椎体CT值＜110HU）及竖脊肌面积是预测椎体骨质疏松性骨折的独立相关因素,OR值分别为1.05（95%CI:1.03-1.06）,2.46（95%CI:1.08-5.62）,0.79（95%CI:0.65-0.97）。通过以上三个指标构建列线图模型。影像组学标签+竖脊肌面积+椎体CT值（AU C=0.88,敏感性77.78%,特异性86.11%）、影像组学标签诊断效能（AUC=0.87）均高于竖脊肌面积+椎体CT值（AUC=0.80）的预测效能,具有统计学意义（P＜0.01,P=0.02）。决策曲线、校准曲线及临床影响曲线显示列线图模型具有较好的临床应用价值。单因素及多因素Cox回归发现影像组学标签、骨质疏松及竖脊肌面积是预测椎体骨质疏松性骨折的独立风险因素（HR=2.04,95%CI:1.07-3.89;HR=6.56,95%CI:3.47-12.38,HR=1.68,95%CI:1.02-2.78）。列线图模型的C指数为0.821（95%CI:0.771-0.871）。结论:1.基于常规CT的影像组学模型对椎体骨质疏松性骨折具有较高的预测效能,单独 wavelet-LLLfirstorder10Percentile 预测效能也较高。2.影像组学标签、竖脊肌面积及椎体CT值是骨质疏松性骨折的独立相关因素;联合模型诊断效能高于竖脊肌面积+椎体CT值效能。组学联合模型有助于提高骨质疏松性骨折的预测效能。三个参数联合模型在预测椎体1/3/4年骨折风险具有重要的临床价值。3.列线图联合模型有助于预测骨质疏松性骨折及评估骨折风险。基于CT影像组学预测模型有望作为无创、低成本和有效的预测骨折的潜在手段。第三部分骨密度、骨微结构及骨强度与影像组学特征相关性研究研究目的:骨密度在一定程度上可以反映骨强度,但是骨强度还取决于骨的空间分布、皮质和骨小梁的微观结构、骨转换及材料属性等。骨微观结构是对骨强度贡献最大的因素之一,也是骨质疏松定义的一部分。上述两部分筛选出的影像组学特征是否有潜力评估骨质量还需进一步研究。因此,这部分研究旨在初步探索第一二部分筛选出的影像组学特征与大鼠胫骨骨小梁微结构及骨强度的相关性,并将相关性较高的影像组学特征联合建立模型预测骨强度,以此进一步验证第一二部分影像组学特征的稳定性及可靠性。材料和方法:选用三月龄12只Sprague Dawley大鼠,通过3个月镉染毒建立骨丢失动物模型。采用Micro CT对大鼠胫骨扫描,并经MicroView软件在大鼠胫骨近端下1mm小梁骨区勾画感兴趣区,计算出7种指标即:骨密度（bone mineral density,BMD）,骨表面面积和骨体积之比（Bs/Bv）、骨体积分数（BV/TV）、骨小梁数（Tb.N）、骨小梁厚度（Tb.Th）、骨小梁分离度（Tb.Sp）及组织骨矿含量（TMC）。基于Micro CT图像进行影像组学分析,特征提取步骤同前两部分,感兴趣范围为胫骨下1mm松质骨处,大小为15*15像素,并融合成三维图像。在提取的影像组学特征中,筛选出与前两部分中与骨质疏松和骨折相关的1 1个影像组学特征,并与骨密度及骨微结构指标进行斯皮尔曼相关性分析。同样采用镉染毒的方法建立动物模型。选用16只Sprague Dawley大鼠胫骨进行生物力学测试,最终测得8个骨强度指标即:弯曲强度、圆柱截面惯性矩、弯曲刚度、最大弯曲载荷、断裂能量、屈服载荷、屈服位移及屈服强度。对16只大鼠胫骨进行Micro CT扫描,并基于Micro CT图像进行影像组学特征提取,步骤同上。最终筛选出与前两部分对骨质疏松和骨折具有价值的9个影像组学特征。采用斯皮尔曼相关性分析,探索8个骨强度指标与9个影像组学特征的相关性。利用中位数或平均值划分为高低骨强度组,将与骨密度、微结构及骨强度相关性较高的指标纳入二元逻辑回归中,建立联合模型,预测骨强度。绘制ROC曲线,评价模型的预测效能。结果:基于12只大鼠胫骨影像组学特征与骨密度、骨微结构相关性分析中,发现3个影像组学特征与骨密度相关性较强:originalngtdmContrast（r=0.87,P＜0.01）、wavelet-HLHglcmCorrelation（r=0.69,P=0.01）及 wavelet-LLLfirstorder10Percentile（r=0.78,P＜0.01）。originalngtdmContrast 与骨表面面积和骨体积之比（Bs/Bv）及骨小梁厚度（Tb.Th）相关（r=-0.67,P=0.02,r=0.67,P=0.02）。wa velet-HLHglcmCorrelation与骨体积分数（BV/TV）相关（r=0.77,P＜0.01）。在影像组学与骨强度指标相关性分析中,wavelet-LHLglszmZoneEntropy与弯曲刚度,最大弯曲载荷及屈服载荷具有较强的相关性,相关系数分别为-0.60、-0.64 及-0.68。wavelet-HHLglcmCorrelation 与弯曲刚度（r=0.56）、最大弯曲载荷相关（r=0.53）。wavelet-HHLfirstorderMean 与断裂能量相关（r=-0.56）。lbp-3D-m2glrlmRunLengthNonUniformity 与屈服位移相关（r=-0.55）。依据断裂能量平均值（49.84）将胫骨划分为高强度和低强度两组。将与骨密度相关性较高的两个参数（originalngtdmContrast、wavelet-LLLfrstorder10Percentile）,与 BS/BV 相关性较高的参数wavelet-HLHglcmCorrelation 及 与 骨 强 度 相 关 的 参 数wavelet-LHLglszmZoneEntropy共同纳入二元逻辑回归中,建立模型并计算ROC曲线下面积。ROC结果显示与骨密度、骨微结构、骨强度指标相关的影像组学参数联合模型预测骨强度效能较高,AUC=0.87（95%CI:0.61-0.98）,敏感性90%,特异性83.33%。结论:1.动物研究进一步显示预测骨质疏松及骨折的影像组学特征与骨密度相关,并且 originalngtdmContrast 及 wavelet-HLHglcmCorrelation 与骨微结构相关。2.部分影像组学特征与生物力学指标相关,反映骨强度。wavelet-LHLglszmZoneEntropy与部分骨强度指标相关性较强。3.基于影像组学联合模型对区分骨强度有一定价值。