Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

技术摘要：用于机会性骨质疏松症筛查的生成式人工智能

问题陈述
尽管已有有效的治疗方案，且在进行其他临床目的时常规获取腰椎放射影像和计算机断层扫描（CT）图像，但骨质疏松症仍存在显著的诊断不足和治疗不足问题。虽然双能X线吸收法（DXA）是诊断的金标准，但许多患者在常规护理期间并未接受骨密度（BMD）评估。尽管医生能够通过脊柱图像对骨骼质量形成直觉印象，但以往的研究表明，即使是经验丰富的骨科医生，其视觉评估的准确性也仅处于中等水平。虽然深度学习算法已展现出潜力，但它们需要针对特定任务进行开发。相比之下，多模态生成式人工智能（AI）提供了一种更广泛的替代方案，能够在无需专门模型训练的情况下解释医学图像。然而，这些模型在机会性骨质松症筛查中的诊断性能、复现性以及“少样本”（few-shot）提示（即提供示例案例以引导响应）的影响，目前仍知之甚少。

研究方法
本项基于图像的对比研究评估了多模态生成式人工智能与医生在处理包含45例侧位腰椎放射影像和45例矢状面重建腰椎CT图像数据集时的诊断性能。

• 参考标准： 依据WHO DXA T值阈值 −2.5 和 −1.0 分别定义骨质疏松症和低骨量。
• 参与者：
  • 医生： 42名认证骨科医生和50名非专科医生（数据源自此前的一项研究）。
  • AI 模型： 三种公开可用的多模态生成式AI系统：ChatGPT (OpenAI, GPT-5, 访问于2026年1月)、Claude 4 Opus 和 Gemini 3.1 Pro。
• 评估方案：
  • 零样本（Zero-shot）与少样本（Few-shot）： AI模型在零样本条件下（仅提供指令）和少样本条件下（提供包含图像、分类及YAM值的20个标记参考案例）进行评估。
  • 复现性： 每个AI模型在独立的对话会话中对整个数据集进行了五次评估。最终分类通过多数投票法（≥3/5次响应）确定。
  • 人机结合： 一项探索性的后验分析通过“或”（OR，若任一方为阳性则为阳性）和“与”（AND，仅当双方均为阳性时才为阳性）规则，将专家多数票与Claude的多数票相结合，以评估互补的诊断误差。
• 指标： 主要结局指标包括诊断准确度、敏感度、特异度以及模型内复现性（Cohen's κ）。

关键结果

• 诊断准确度：
  • 在放射影像的 −1.0 T值截断点下，Claude 达到了最高的准确度 (73.3%)，其次是 Gemini (64.4%)、专家 (57.4%)、ChatGPT (55.6%) 和非专科医生 (44.0%)。专家表现显著优于非专科医生 (P < 0.001)。
  • 在传统的 −2.5 截断点下，放射影像的专家与非专科医生之间未发现显著差异，但在 CT 图像方面，专家的准确度显著更高 (P < 0.001)。
  • 在描述性比较中，AI 模型在 CT 图像方面的准确度与专家大致相当。
• 提示词的影响：
  • 准确度： 少样本提示并未一致性地提高医生或 AI 模型的诊断准确度。变化因模型和条件而异，范围从下降 24.4 个百分点到上升 11.1 个百分点不等。
  • 复现性： 少样本提示提高了多个模型的模型内复现性，其中 Claude 最为显著（对于放射影像，κ 从 0.543 增加到 0.855）。这种“一致性提高但准确度不变”的脱节是一个关键发现。
• 人机互补性：
  • “或”规则（结合专家与 Claude）将放射影像在 −1.0 截断点下的敏感度从 66.7% 提高到 80.0%，将 CT 影像从 83.3% 提高到 90.0%，但特异度有所下降。
  • 误差挽救分析证实了两者存在部分非重叠的误差：Claude 正确分类了 40–50% 的专家漏诊（假阴性）病例，而专家也纠正了 Claude 的部分错误。

主要贡献

1. 对比性能： 本研究提供了直接证据，证明选定的生成式 AI 模型在利用腰椎影像进行机会性骨质疏松症筛查时，其诊断性能可以达到与医生相当、甚至在某些条件下优于医生的水平。
2. 提示词效应： 研究表明，少样本提示并不保证提高诊断准确度，但可以显著增强模型的内一致性（复现性），这是临床工作流集成的关键因素。
3. 互补性： 研究提供了诊断互补性的定量证据，表明人类与 AI 的误差具有部分非重叠性。这表明，在筛查场景中，结合两者的判断可以减少漏诊（假阴性）情况，尽管这会以增加假阳性为代价。
4. 模型差异性： 研究结果强调了不同生成式 AI 模型在性能和复现性方面的实质性差异，表明它们不能作为互换的诊断工具。

意义与主张
论文得出结论，应将生成式 AI 视为一种潜在的决策支持工具，而非用于机会性骨质疏松症筛查的自主系统。作者主张，虽然 AI 可能不会普遍超越医生，但其提供互补诊断判断的能力可以帮助识别需要进行正式骨密度（BMD）评估的患者，从而解决诊断不足的问题。

研究强调，生成式 AI 的临床价值在于将其整合进临床工作流中，并与医生判断协同使用。作者提醒，简单的组合规则涉及敏感度与特异度之间的权衡，且明显的互补效应需要在独立队列中进行前瞻性验证。此外，研究指出，通过少样本提示实现的复现性提高并不一定等同于诊断有效性的提高，这强调了将准确度与一致性作为评估 AI 性能的两个独立维度进行评价的重要性。