当今人口老龄化现象日益显著,骨质疏松、骨质增生等骨退变疾病是中老年群体的常见病、多发病。2018年10月国家卫健委发布的调查结果显示,我国65岁以上人群骨质疏松症患病率高达32.0%;50岁以上人群低骨量率为46.4%。骨质疏松最严重的后果是骨折。骨折的原因是骨的强度/刚度降低,不足以承担外部载荷。临床上常用的评价骨强度的方法是双能X线骨密度仪测量骨密度,然而,测量得到的是二维面积密度,不能准确反映骨强度和相应的骨折风险。骨是具有多层次结构的活的组织,其整体强度由骨的几何形态(包括宏观形态,即宏观形状和大小等,和内部骨小梁结构的排列)和骨材料/骨质的强度(包括矿化程度、胶原特性、显微损伤情况等)决定。基于临床医学影像的生物力学建模仿真方法(又称生物力学CT),是当今技术上最先进的无创评价骨强度的方法。然而,这种生物力学建模仿真方法对于力学要求高,临床医学工作者不容易掌握。因此,迫切需要建立起更为简单方便操作的基于临床医学影像评价骨强度和骨折风险的方法。本研究建立了基于临床QCT影像的机器学习模型,首先根据临床QCT影像建立个体化非线性有限元模型(QCT/FEA)预测骨强度,作为机器学习模型的输出,然后选取临床QCT影像中可以提取的与骨强度高度相关的信息作为输入,并采用参数筛选和参数降维的方法对输入参数进行处理,机器学习模型采用广义回归神经网络(GRNN)和支持向量机(SVM)。具体流程如下:(1)建立基于临床QCT影像的非线性有限元模型计算骨强度:QCT扫描获得骨影像,在Mimics软件里建立三维几何模型,并生成体网格,赋予横观各向同性、非均匀、弹塑性材料属性,在ABAQUS软件中施加载荷和边界条件,给出合适的失效准则,进行非线性显微有限元分析,计算得到骨强度,作为机器学习模型的输出量。(2)机器学习模型的输入量:包括松质骨的材料分布(灰度分布在1、2、5、8、10、15、20、25、30、40、45、50、60、70和75%位点处的灰度值)、骨内区域灰度值(整体、皮质骨和松质骨分区域灰度值)、以及综合特征参数。利用训练集内骨结构的输入量和非线性有限元分析计算的骨强度作为输出量,建立广义回归神经网络和支持向量机两种机器学习模型,并用测试集内骨结构的输入量预测骨强度,用QCT/FEA计算的骨强度来验证机器学习模型的预测效果。即将测试集样本的QCT/FEA计算强度和机器学习模型预测强度绘制Bland-Altman图,分析QCT/FEA模型和机器学习模型所预测椎体强度之间的差异。结果表明,用参数筛选方法和参数降维方法获得一些参数的组合,两种机器学习模型对于骨强度的预测效果很好,且无显著性差异。为了验证训练好的机器学习模型对新样本强度的预测能力,从社区医院随机选取志愿者的QCT影像,运用QCT/FEA计算骨强度,机器学习模型预测骨强度,从相对误差可见机器学习模型预测骨强度准确性较高(相对误差小于8%)。本研究表明,采用基于临床QCT影像的机器学习模型可以有效地预测骨强度,为个体化骨折风险的评估提供了理论方法,便于临床制定相关治疗和干预策略。基于QCT影像预测骨强度不仅可以保证精度,而且对医护人员的操作技术要求较低,因此该方法具有广阔的应用前景。机器学习模型在股骨、脊柱、桡骨和胫骨等部位的强度预测、骨折风险评估方面具有很大的应用潜力。