Öz
Amaç
Rutin lateral diz radyografilerinde standartlaştırılmış bir patellar bölgeden çıkarılan radyomik özelliklerin, titiz bir iç doğrulama altında, osteoporoz dahil olmak üzere çift enerjili X-ışını absorbsiyometrisi (DXA) ile tanımlanan kemik mineral yoğunluğu kategorilerini ayırt edip edemediğini değerlendirmek.
Gereç ve Yöntem
Bu retrospektif, tek merkezli çalışmaya 109 yetişkin kadın dahil edildi (normal kemik mineral yoğunluğu, n=22; osteopeni, n=66; osteoporoz, n=21). Patellada sabit 15 mm’lik bir ilgi bölgesi PyRadiomics 3.1.0 kullanılarak analiz edildi ve iki boyutlu birinci dereceden ve doku özelliklerinden oluşan toplam 930 özellik elde edildi. Hızlı korelasyon temelli filtre yöntemiyle özellik seçimi, yalnızca her bir eğitim katı içinde gerçekleştirildi ve ana analizde en fazla 10 radyomik özellik tutuldu. Naif Bayes modelleri, tabakalı 10 katlı çapraz doğrulamanın 20 kez tekrarlanmasıyla değerlendirildi. %95 güven aralıkları, hasta düzeyinde bootstrap yeniden örnekleme yöntemiyle hesaplandı.
Bulgular
Birincil üç sınıflı analizde, yalnızca radyomik özellikleri kullanan modelin osteoporoz sınıfına ait eğri altında kalan alanı (AUC) 0,660 (%95 güven aralığı: 0,532-0,773), klinik değişkenler ile radyomik özellikleri birlikte kullanan tam modelin AUC değeri ise 0,668 (%95 güven aralığı: 0,543-0,784) olarak bulundu. Tam modelin genel doğruluğu %49,5, dengeli doğruluğu %41,8 iken, çoğunluk sınıfını tahmin eden sınıflandırıcının genel doğruluğu %60,6, dengeli doğruluğu ise yalnızca %33,3 idi. İkincil osteoporoz-osteoporoz olmayan ayrımına yönelik analizde, yalnızca radyomik özellikleri kullanan model ile klinik değişkenler ve radyomik özellikleri birlikte kullanan tam modelin her ikisinde de AUC değeri 0,653 olarak bulundu (%95 güven aralıkları sırasıyla 0,526-0,774 ve 0,525-0,773). Klinik değişkenlerin eklenmesi, ayırt etme performansında ek bir iyileşme sağlamadı (AUC farkı: 0,000; %95 güven aralığı: -0,050 ile 0,048).
Sonuç
Patellar radyomik analiz, veri sızıntısı olmadan gerçekleştirilen tekrarlı iç doğrulama altında, DXA ile tanımlanan osteoporozu ayırt etmede sınırlı bir performans gösterdi. Klinik değişkenler ikili sınıflandırmadaki ayırt etme performansını artırmadı ve üç sınıflı sınıflandırma performansı sınırlı kaldı. Bu bulgular keşifsel olarak değerlendirilmeli ve klinik uygulamaya geçilmeden önce dış doğrulamayla desteklenmelidir.
Anahtar Kelimeler: Osteoporoz, radyomik, patella, makine öğrenmesi, kemik mineral yoğunluğu
Kaynakça
Xiao PL, Cui AY, Hsu CJ, Peng R, Jiang N, Xu XH, et al. Global, regional prevalence, and risk factors of osteoporosis according to the World Health Organization diagnostic criteria: a systematic review and meta-analysis. Osteoporos Int. 2022;33:2137-53.
Perez MO, Pedro PPA, Lyrio AM, Grizzo FMF, Loures MAADR. Osteoporosis and fracture risk assessment: improving outcomes in postmenopausal women. Rev Assoc Med Bras (1992). 2023;69:e2023S130.
Cheng CH, Chen LR, Chen KH. Osteoporosis due to hormone imbalance: an overview of the effects of estrogen deficiency and glucocorticoid overuse on bone turnover. Int J Mol Sci. 2022;23:1376.
Khosla S, Riggs BL. Pathophysiology of age-related bone loss and osteoporosis. Endocrinol Metab Clin North Am. 2005;34:1015-30, xi.
Kanis JA. Assessment of fracture risk and its application to screening for postmenopausal osteoporosis: synopsis of a WHO report. WHO Study Group. Osteoporos Int. 1994;4:368-81.
US Preventive Services Task Force; Nicholson WK, Silverstein M, Wong JB, Chelmow D, Coker TR, et al. Screening for osteoporosis to prevent fractures: US preventive services task force recommendation statement. JAMA. 2025;333:498-508.
Kanis JA, Johnell O, Oden A, Johansson H, McCloskey E. FRAX and the assessment of fracture probability in men and women from the UK. Osteoporos Int. 2008;19:385-97.
Pickhardt PJ, Correale L, Hassan C. AI-based opportunistic CT screening of incidental cardiovascular disease, osteoporosis, and sarcopenia: cost-effectiveness analysis. Abdom Radiol (NY). 2023;48:1181-98.
van Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017;77:e104-7.
Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, Apte A, et al. The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295:328-38.
Shevroja E, Reginster JY, Lamy O, Al-Daghri N, Chandran M, Demoux-Baiada AL, et al. Update on the clinical use of trabecular bone score (TBS) in the management of osteoporosis: results of an expert group meeting organized by the European Society for Clinical and Economic Aspects of Osteoporosis, Osteoarthritis and Musculoskeletal Diseases (ESCEO), and the International Osteoporosis Foundation (IOF) under the auspices of WHO collaborating center for epidemiology of musculoskeletal health and aging. Osteoporos Int. 2023;34:1501-29.
Oh S, Kang WY, Park H, Yang Z, Lee J, Kim C, et al. Evaluation of deep learning-based quantitative computed tomography for opportunistic osteoporosis screening. Sci Rep. 2024;14:363.
Du C, He J, Cheng Q, Hu M, Zhang J, Shen J, et al. Automated opportunistic screening for osteoporosis using deep learning-based automatic segmentation and radiomics on proximal femur images from low-dose abdominal CT. BMC Musculoskelet Disord. 2025;26:378.
Erdem F, Akay E, Demirpolat G, Yanık Keyik B, Bülbül E. The use of radiomics data obtained from ADC map of lumbar MRI and machine learning in diagnosis of osteoporosis. Iran J Radiol. 2024;21:e147913.
Güngör C, Akay E, Erdem F, Bülbül E, Demirpolat G, Yanık B. Opportunistic prediction of osteoporosis with machine learning models based on clivus-radiomic features obtained from CT images. Turk J Osteoporos. 2025;31:52-60.
Erdem F, Yanık B, Yasin-Arslan T, Akay E, Bülbül E, Demirpolat G. Volumetric computed tomography Hounsfield unit analysis: a superior method for opportunistic osteoporosis screening and assessment. Cir Cir. 2026;94:353-61.
Mulyono A, Islam MM, Panse VR. Patella radiograph image texture: the correlation with lumbar spine bone mineral density values. Jurnal Ilmiah Pendidikan Fisika Al-Biruni. 2022;11:69-75.
Meertens R, Lopez B, Gundry M, Crone B, Vigers W, Evans M, et al. Diagnostic utility of IBEX Bone Health for assessment of osteoporosis from knee radiographs. Front Mol Biosci. 2025;12:1671053.
Gharehmohammadi F, Sebro R. Deep learning opportunistic screening for osteoporosis and osteopenia using radiographs of the foot or ankle - a pilot study. Eur J Radiol. 2025;184:111980.
Fedorov A, Beichel R, Kalpathy-Cramer J, Finet J, Fillion-Robin JC, Pujol S, et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn Reson Imaging. 2012;30:1323-41.
Yu L, Liu H. Feature selection for high-dimensional data: a fast correlation-based filter solution. In: Fawcett T, Mishra N, editors. Proceedings of the 20th International Conference on Machine Learning; 2003 Aug 21-24; Washington, DC. Menlo Park: AAAI Press; 2003. p. 856-63.
Frost HM. Wolff’s law and bone’s structural adaptations to mechanical usage: an overview for clinicians. Angle Orthod. 1994;64:175-88.
Long G, Liu C, Liang T, Zhang Z, Qin Z, Zhan X. Predictors of osteoporotic fracture in postmenopausal women: a meta-analysis. J Orthop Surg Res. 2023;18:574.
Westerhoff M, Gyftopoulos S, Dane B, Vega E, Murdock D, Lindow N, et al. Deep learning-based opportunistic CT osteoporosis screening and the establishment of normative values. Radiology. 2025;317:e250917.
Mao L, Xia Z, Pan L, Chen J, Liu X, Li Z, et al. Deep learning for screening primary osteopenia and osteoporosis using spine radiographs and patient clinical covariates in a Chinese population. Front Endocrinol (Lausanne). 2022;13:971877.
Yen TY, Ho CS, Chen YP, Pei YC. Diagnostic accuracy of deep learning for the prediction of osteoporosis using plain X-rays: a systematic review and meta-analysis. Diagnostics (Basel). 2024;14:207.
Pignolo RJ, Connell JJ, Briggs W, Kelly CJ, Tromans C, Sultana N, et al. Opportunistic assessment of osteoporosis using hip and pelvic X-rays with OsteoSight™: validation of an AI-based tool in a US population. Osteoporos Int. 2025;36:1053-60.
