THE USE OF ARTIFICIAL INTELLIGENCE IN BONE DENSITOMETRY: AN INTEGRATIVE REVIEW
REGISTRO DOI: 10.69849/revistaft/th102410242258
Otonionny Nóbrega De Brito
RESUMO
Este estudo analisa a aplicação da inteligência artificial (IA) na densitometria óssea, destacando seu potencial para melhorar o diagnóstico e a gestão clínica da osteoporose. A revisão aborda os avanços tecnológicos no uso de redes neurais convolucionais e aprendizado profundo na análise de imagens de densitometria, demonstrando que a IA pode superar métodos tradicionais em termos de acurácia e sensibilidade diagnóstica. A utilização de IA também permite automatizar a interpretação de exames, reduzindo a variabilidade interobservadores e garantindo uma maior consistência nos resultados. Além disso, a pesquisa aponta para a viabilidade do uso de técnicas ópticas e algoritmos de predição de densidade óssea como alternativas acessíveis para regiões com infraestrutura limitada, contribuindo para a democratização do diagnóstico. No contexto brasileiro, destaca-se o desenvolvimento de modelos baseados em IA que possibilitam a realização de triagens em localidades remotas, ampliando o alcance do diagnóstico precoce de osteoporose. No entanto, a implementação da IA na prática clínica ainda enfrenta desafios, como a necessidade de grandes conjuntos de dados para treinamento dos algoritmos, bem como questões éticas e de privacidade. A integração plena da IA requer uma adaptação cuidadosa dos fluxos de trabalho clínico e a capacitação dos profissionais de saúde para maximizar os benefícios da tecnologia. Conclui-se que a inteligência artificial possui um papel promissor na transformação do diagnóstico de osteoporose, potencializando a identificação precoce de alterações osteometabólicas e contribuindo para a personalização das estratégias terapêuticas.
Palavras-chave: Inteligência Artificial, Densitometria Óssea, Osteoporose, Diagnóstico.
ABSTRACT
This study analyzes the application of artificial intelligence (AI) in bone densitometry, highlighting its potential to improve the diagnosis and clinical management of osteoporosis. The review discusses technological advancements in the use of convolutional neural networks and deep learning in the analysis of bone densitometry images, demonstrating that AI can surpass traditional methods in terms of diagnostic accuracy and sensitivity. The use of AI also enables the automation of exam interpretation, reducing interobserver variability and ensuring greater consistency in results. Additionally, the research points to the feasibility of using optical techniques and bone density prediction algorithms as accessible alternatives for regions with limited infrastructure, contributing to the democratization of diagnosis. In the Brazilian context, the development of AI-based models enables screening in remote areas, expanding the reach of early osteoporosis diagnosis. However, the implementation of AI in clinical practice still faces challenges, such as the need for large datasets to train algorithms, as well as ethical and privacy issues. Full integration of AI requires careful adaptation of clinical workflows and the training of healthcare professionals to maximize the benefits of this technology. It is concluded that artificial intelligence plays a promising role in transforming osteoporosis diagnosis, enhancing the early identification of osteometabolic changes and contributing to the personalization of therapeutic strategies.
Keywords: Artificial Intelligence, Bone Densitometry, Osteoporosis, Diagnosis.
- INTRODUÇÃO
Segundo a Organização Mundial da Saúde (OMS) (1994)12, a osteoporose é definida como uma doença esquelética sistêmica caracterizada pela diminuição progressiva da massa óssea e pela deterioração da microarquitetura do tecido ósseo, resultando em um aumento significativo da fragilidade óssea e da suscetibilidade a fraturas, sobretudo em locais como coluna vertebral, fêmur proximal e punho. Tal condição se desenvolve de forma silenciosa e assintomática até que ocorra uma fratura, o que frequentemente leva a incapacidades prolongadas e a um declínio na qualidade de vida do paciente acometido.
A densitometria óssea, em particular a absorciometria por dupla energia de raios X (DXA), é amplamente reconhecida como o método padrão-ouro para o diagnóstico da osteoporose. Esse exame permite a quantificação precisa da densidade mineral óssea (DMO) em diferentes regiões do esqueleto, fornecendo informações essenciais para a avaliação do risco de fratura e o monitoramento da resposta ao tratamento. No entanto, a interpretação das imagens densitométricas pode ser afetada por fatores técnicos, como o posicionamento inadequado do paciente e a qualidade do equipamento, bem como por variáveis subjetivas, relacionadas à experiência e ao julgamento clínico do operador. Segundo Gomes et. al (2017)³ essas influências podem levar a erros diagnósticos e a variações significativas entre observadores, comprometendo a confiabilidade dos resultados e, consequentemente, a tomada de decisões clínicas.
Nos últimos anos, a inteligência artificial (IA) tem emergido como uma ferramenta revolucionária no campo da saúde, com potencial para transformar significativamente o diagnóstico, prognóstico e tratamento de uma ampla gama de doenças. Dentro desse contexto, o aprendizado profundo (deep learning), uma subárea da IA que utiliza redes neurais convolucionais para analisar grandes volumes de dados, tem demonstrado resultados promissores na análise de imagens médicas, superando métodos tradicionais em termos de acurácia, sensibilidade e especificidade diagnóstica. Essa tecnologia é capaz de reconhecer padrões complexos que não são facilmente perceptíveis ao olho humano, identificando anomalias sutis nas imagens de DXA que podem indicar perda óssea precoce ou outras alterações microestruturais (Litjens et al., 2017)5.
A aplicação da IA na densitometria óssea visa não apenas melhorar a precisão diagnóstica, mas também automatizar processos rotineiros e reduzir a variabilidade interobservadores, aumentando a consistência dos laudos emitidos. Além disso, estudos têm evidenciado que algoritmos de aprendizado profundo podem detectar padrões avançados nas imagens de DXA, facilitando a identificação precoce de alterações osteoporóticas e auxiliando na previsão do risco de fraturas osteoporóticas, possibilitando intervenções mais rápidas e eficazes. Segundo Yamamoto (2020)13, a IA também pode ser integrada a plataformas de suporte à decisão clínica, combinando informações de densitometria com dados clínicos adicionais, como marcadores bioquímicos de remodelação óssea e fatores de risco individuais (idade, histórico familiar, uso de medicamentos), aprimorando a estratificação de pacientes e a personalização das estratégias terapêuticas (Jha e Topol, 2016)4.
Apesar do avanço exponencial e das promessas trazidas pela IA no campo da saúde, sua implementação na prática clínica cotidiana ainda enfrenta obstáculos significativos. Entre eles, destaca-se a necessidade de grandes conjuntos de dados de alta qualidade para treinamento e validação dos algoritmos, de forma a garantir a robustez e a generalização dos resultados. Ademais, questões éticas e legais relacionadas à privacidade e segurança dos dados dos pacientes, bem como a aceitação e adesão dos profissionais de saúde às novas tecnologias, também são pontos críticos que devem ser considerados. Segundo Jha e Topol (2016)4, a integração harmoniosa da IA nos fluxos de trabalho clínico existentes requer mudanças estruturais e educacionais, para que os profissionais de saúde possam compreender e utilizar essas ferramentas de maneira efetiva e responsável, maximizando os benefícios e minimizando os riscos associados ao uso de sistemas automatizados.
Diante desse cenário dinâmico e em constante evolução, o presente estudo tem como objetivo realizar uma revisão integrativa da literatura sobre a utilização da inteligência artificial na densitometria óssea, analisando suas aplicações atuais, benefícios potenciais, limitações e perspectivas futuras para a área da saúde. A intenção é proporcionar uma visão abrangente sobre como essas tecnologias emergentes podem contribuir para a melhoria dos cuidados em osteoporose, impulsionando o desenvolvimento de práticas clínicas mais eficazes e baseadas em evidências robustas.
- METODOLOGIA
A interconexão entre a inteligência artificial (IA) e a densitometria óssea constitui um campo de estudo emergente que transcende a mera obtenção de dados quantitativos, caracterizando-se como uma investigação de natureza qualitativa. No âmbito das pesquisas em saúde e tecnologia, a predominância de abordagens qualitativas deve-se à complexidade dos fenômenos estudados, como o impacto da IA na densitometria óssea, que demanda uma análise aprofundada das aplicações tecnológicas, percepções dos profissionais de saúde e implicações clínicas.
Optou-se por adotar a metodologia de pesquisa integrativa, com ênfase na abordagem conhecida como “Estado do Conhecimento”. Segundo Rodrigues (2007)9, o “Estado do Conhecimento” foca em um segmento específico de publicações, permitindo uma compreensão direcionada e aprofundada do tema de estudo. Essa abordagem é particularmente relevante quando se busca mapear e analisar criticamente a produção científica existente sobre um assunto específico, identificando tendências, lacunas e perspectivas futuras.
A busca pelos artigos foi realizada em bases de dados eletrônicas reconhecidas internacionalmente por sua abrangência e relevância na área da saúde e tecnologia, como a PubMed, Scopus e Web of Science. Essas bases foram selecionadas devido à qualidade das publicações indexadas e à possibilidade de acesso a estudos de alto impacto. Para garantir a atualidade e pertinência dos resultados, foram aplicados filtros para incluir publicações a partir de 2018, período que corresponde ao avanço significativo das aplicações de IA na área médica.
Os termos utilizados na busca foram selecionados de forma estratégica, utilizando descritores em inglês padronizados pelos Medical Subject Headings (MeSH): “Artificial Intelligence”, “Bone Densitometry”, “Bone Mineral Density”, “Machine Learning” e “Osteoporosis”. A utilização de operadores booleanos permitiu combinar os termos de maneira a refinar os resultados e aumentar a precisão da busca. A estratégia resultou inicialmente em 1.250 produções, demonstrando a vasta quantidade de pesquisas relacionadas ao tema.
Dada a impossibilidade de análise detalhada desse volume de publicações, procedeu-se a uma triagem inicial baseada na leitura dos títulos e resumos, aplicando-se os critérios de inclusão e exclusão previamente estabelecidos. Os critérios de inclusão foram: artigos originais publicados em inglês ou português; publicados entre 2018 a 2023; estudos que abordassem diretamente a aplicação da IA na densitometria óssea ou na avaliação da densidade mineral óssea; pesquisas realizadas em humanos; e disponibilidade do texto completo. Os critérios de exclusão incluíram: revisões sistemáticas, narrativas, meta-análises, editoriais, cartas ao editor e resumos de conferências; estudos que não focassem diretamente na relação entre IA e densitometria óssea; pesquisas realizadas em modelos animais ou in vitro; e publicações duplicadas em diferentes bases de dados.
Essa etapa de triagem reduziu o número de resultados para 215 artigos potencialmente relevantes. Em seguida, uma nova filtragem foi realizada, excluindo-se produções que não atendiam aos critérios estabelecidos, como dissertações, teses e livros, bem como artigos cujo conteúdo não estava alinhado diretamente com o objetivo da pesquisa. Após essa etapa, restaram 50 artigos para leitura completa.
A leitura integral dos 29 artigos permitiu uma avaliação criteriosa de seu conteúdo, resultando na seleção final de 7 estudos que abordam de forma direta a interconexão entre a inteligência artificial e a densitometria óssea. Os demais foram excluídos por tratarem apenas tangencialmente da temática ou por não apresentarem resultados significativos para os objetivos desta pesquisa. A seleção dos artigos foi concluída em 10 de setembro de 2023, garantindo a contemporaneidade e relevância das publicações analisadas.
Para a extração e análise dos dados dos estudos selecionados, foi utilizado um instrumento estruturado que contemplou informações essenciais de cada artigo, tais como: autores, ano de publicação, país de origem, objetivos do estudo, metodologia empregada, principais resultados e conclusões. Essa sistematização permitiu organizar os dados de forma coerente e facilitou a identificação de padrões e divergências entre os estudos.
A análise dos dados foi realizada de forma qualitativa, seguindo as etapas recomendadas por Mendes e Miskulin (2017)7 na análise de conteúdo. Essa metodologia consiste em um conjunto de técnicas que permitem a interpretação objetiva e sistemática do conteúdo das mensagens, possibilitando a inferência de conhecimentos relativos às condições de produção e recepção das mensagens. As etapas envolvem a pré-análise, a exploração do material e o tratamento dos resultados, inferência e interpretação.
No tratamento dos resultados, realizou-se a interpretação dos dados categorizados, buscando compreender as contribuições de cada estudo para o tema em questão. Essa análise permitiu identificar que a maioria dos estudos demonstra um avanço significativo nas aplicações da IA na densitometria óssea, com destaque para o uso de redes neurais convolucionais na melhoria da acurácia diagnóstica e na predição de risco de fraturas (Yamamoto et. al, 2020)13.
Considerações éticas foram observadas ao longo do processo de pesquisa. Por se tratar de uma revisão integrativa que utiliza fontes secundárias disponíveis publicamente e não envolve intervenção direta com seres humanos, não foi necessária a submissão ao Comitê de Ética em Pesquisa, conforme a Resolução nº 510/2016 do Conselho Nacional de Saúde. No entanto, manteve-se o compromisso com a integridade científica, garantindo a fidedignidade das informações e o respeito aos direitos autorais (Brasil, 2016)¹.
- RESULTADOS E DISCUSSÃO
A Inteligência Artificial (IA) tem desempenhado um papel crucial no avanço da medicina diagnóstica, especialmente na densitometria óssea, promovendo a integração de técnicas sofisticadas de aprendizado profundo e algoritmos de regressão para a análise e detecção de anormalidades na densidade mineral óssea (DMO). A utilização desses algoritmos avançados para avaliar a DMO é amplamente investigada, com destaque para sua aplicação em diferentes metodologias de exame, tais como tomografia computadorizada (CT), absorciometria de raios-X de dupla energia (DXA) e a densitometria óptica. Tais métodos fornecem dados robustos que, quando processados por modelos de IA, permitem um aprimoramento significativo na precisão diagnóstica, facilitando a identificação precoce de condições como osteopenia e osteoporose.
Estudos demonstram que a implementação de redes neurais convolucionais (CNN), associadas a técnicas de aprendizado supervisionado e não supervisionado, torna possível a obtenção de diagnósticos mais acurados e a realização de triagens clínicas em populações com características heterogêneas e distintas faixas etárias. A inclusão dessas abordagens permite não apenas a avaliação objetiva da DMO, mas também a predição de riscos futuros e a otimização de estratégias terapêuticas.
Estudos recentes, como o de Tsai et al. (2023)11, evidenciaram a eficácia de modelos de aprendizado profundo para a detecção precoce de osteoporose a partir de radiografias torácicas. Nesse contexto, as informações extraídas das radiografias foram combinadas com dados de densidade óssea obtidos por DXA, maximizando a acurácia dos diagnósticos. A metodologia aplicada pelos pesquisadores incluiu a construção de redes neurais profundas capazes de identificar padrões complexos e sutis nas imagens radiográficas, o que resultou em valores de Área sob a Curva (AUC) superiores a 0,9 em validações internas e externas.
Tais resultados sugerem uma correlação significativa entre as predições geradas pelos modelos e os valores reais de densidade óssea dos pacientes, demonstrando que a IA pode funcionar como uma ferramenta complementar de alta precisão. Essa abordagem metodológica permite não apenas um diagnóstico mais precoce e acurado, mas também a estratificação de risco e prognóstico, facilitando intervenções clínicas mais rápidas e assertivas, além de possibilitar a definição de planos de tratamento personalizados, com base nas predições probabilísticas fornecidas pelo modelo (Tsai et. al, 2023)11.
Adicionalmente, estudos como o de Meitei et al. (2024)6 investigaram o uso de luzes infravermelhas e métodos ópticos como alternativas viáveis para avaliar a DMO. Nessa pesquisa, os autores desenvolveram um sistema de densitometria óssea baseado em luz infravermelha, utilizando regressão multivariada e algoritmos de aprendizado profundo para analisar a densidade óssea nos pulsos e na coluna vertebral. O sistema foi projetado para capturar informações locais de absorção de luz no corpo humano e processá-las por meio de redes neurais, resultando em uma predição precisa da DMO.
O estudo demonstrou que a correlação entre as predições do modelo e os valores de DMO obtidos por DXA alcançaram um coeficiente de correlação r=0,98, o que indica uma robustez significativa do método proposto. Tal abordagem representa uma solução de baixo custo, não invasiva e que pode ser adotada em áreas com menor acesso a tecnologias mais caras e complexas, como o DXA. A utilização dessa tecnologia óptica, aliada à IA, potencializa a democratização do diagnóstico da osteoporose, expandindo o acesso a exames de triagem em localidades remotas e em países em desenvolvimento, onde os recursos médicos especializados são escassos (Meitei et. al, 2024)6.
Um dos desafios recorrentes na implementação de IA na medicina diagnóstica reside na calibração e ajuste dos algoritmos para assegurar a uniformidade e a precisão dos diagnósticos, especialmente em equipamentos de diferentes fabricantes e configurações técnicas. Nesse sentido, Rühling et al. (2021)10 propuseram um método para a detecção automática da fase de contraste em imagens de CT, utilizando redes neurais densas (DenseNet). Essa abordagem permitiu a correção automática das variações induzidas pelo uso de agentes de contraste, minimizando os erros nas medidas de DMO, o que aumenta a confiabilidade das predições. A metodologia aplicada mostrou-se eficaz para reduzir o viés gerado por essas variações, sobretudo em exames oportunistas, onde a qualidade da imagem é, muitas vezes, heterogênea e sujeita a diferentes fatores externos. A integração dessa técnica com os processos de pré-processamento de imagens em tomografias computadorizadas contribui para a padronização das medidas de densidade óssea, tornando possível a obtenção de resultados mais consistentes em diferentes contextos clínicos.
Além disso, o estudo conduzido por Miura et al. (2023)8 explorou o uso de aprendizado de máquina para prever o escore T, que é uma métrica utilizada para quantificar a densidade óssea e diagnosticar osteoporose, a partir de dados demográficos e resultados de densitometria óptica. O modelo desenvolvido apresentou um AUC de 0,853 para discriminar indivíduos com osteoporose, corroborando a eficácia do uso combinado de técnicas ópticas e aprendizado de máquina para a ampliação da capacidade de triagem. Tais resultados são particularmente relevantes para regiões com acesso limitado à densitometria convencional, uma vez que a tecnologia proposta apresenta baixo custo e elevada portabilidade, permitindo o uso em ambientes clínicos não tradicionais.
No contexto brasileiro, Cruz (2018)² desenvolveu o método Osseus, que utiliza inteligência artificial e ondas eletromagnéticas para o diagnóstico de doenças osteometabólicas. O sistema foi projetado para ser de baixo custo e acessível à população, permitindo a realização de triagens iniciais de osteoporose em qualquer município do Brasil. O método Osseus demonstrou eficácia na detecção de variações na densidade óssea e no desenvolvimento de um modelo preditivo que se mostrou capaz de identificar casos de osteoporose com alta precisão, facilitando o diagnóstico e acompanhamento clínico, mesmo em localidades onde o acesso a exames mais avançados é inviável. A robustez desse sistema contribui para o planejamento de políticas públicas de saúde, oferecendo suporte a decisões estratégicas na alocação de recursos e no desenvolvimento de campanhas de prevenção e conscientização.
Por fim, o trabalho de Yeager (2019)14 reforça a importância da utilização de IA em imagens médicas ao desenvolver um algoritmo para classificar a densidade óssea específica do paciente a partir de imagens DICOM. Esse estudo demonstrou a capacidade do algoritmo de identificar variações sutis na densidade óssea e correlacioná-las com variáveis como idade e gênero. A metodologia utilizada apresentou uma alta correlação entre a densidade óssea prevista pelo modelo e os valores reais medidos, indicando que a IA pode ser incorporada a fluxos de trabalho clínico já estabelecidos, como em consultas odontológicas de rotina. Essa integração facilita o rastreamento de osteoporose em estágios iniciais e em ambientes não hospitalares, contribuindo para a detecção precoce da condição e a subsequente redução de complicações decorrentes de fraturas osteoporóticas, que impactam significativamente a qualidade de vida dos pacientes.
- CONSIDERAÇÕES FINAIS
O presente trabalho demonstra que a inteligência artificial (IA) possui um enorme potencial para revolucionar o campo da densitometria óssea, contribuindo significativamente para a precisão diagnóstica e a gestão clínica da osteoporose. A utilização de técnicas de aprendizado profundo e redes neurais convolucionais permite o desenvolvimento de algoritmos capazes de detectar alterações mínimas na densidade mineral óssea (DMO), proporcionando diagnósticos mais acurados e assertivos. Além disso, a capacidade da IA de combinar informações densitométricas com dados clínicos complementares amplia o escopo das análises, facilitando a estratificação de risco e a elaboração de planos de tratamento personalizados e mais eficazes para cada paciente.
A aplicação da IA em densitometria óssea traz benefícios não apenas no aprimoramento da acurácia dos exames, mas também na automação de processos diagnósticos, reduzindo a variabilidade interobservadores e aumentando a consistência dos laudos clínicos. Esse avanço é especialmente relevante em contextos onde a subjetividade na interpretação das imagens pode comprometer a qualidade do diagnóstico. A automação proporcionada pelos algoritmos de IA garante maior uniformidade nas avaliações e contribui para a melhoria dos padrões de atendimento médico, independentemente da experiência do profissional responsável pela interpretação dos resultados.
Outro aspecto relevante é a viabilidade do uso da IA como ferramenta de suporte em regiões onde há escassez de recursos e acesso limitado a tecnologias tradicionais de diagnóstico, como a absorciometria de dupla energia por raios-X (DXA). Ao integrar técnicas ópticas e métodos de predição baseados em aprendizado de máquina, a IA pode tornar a avaliação da DMO mais acessível e eficiente, possibilitando a triagem em populações carentes e em localidades remotas. Dessa forma, a democratização do diagnóstico de osteoporose e a redução das disparidades no acesso aos cuidados de saúde tornam-se metas alcançáveis com a implementação de sistemas baseados em IA.
Apesar dos avanços significativos, a incorporação da IA na prática clínica diária ainda enfrenta desafios consideráveis. A necessidade de grandes conjuntos de dados de alta qualidade para o treinamento e validação dos algoritmos é uma das principais limitações. Além disso, questões éticas e legais, como a proteção da privacidade dos dados dos pacientes e a responsabilidade pelas decisões automatizadas, são pontos críticos que exigem uma regulamentação adequada para garantir a segurança e a conformidade com as normas de proteção de dados. A aceitação dos profissionais de saúde em relação à utilização de novas tecnologias também desempenha um papel fundamental, sendo necessário um esforço contínuo na capacitação e adaptação dos fluxos de trabalho para integrar a IA de maneira eficaz.
A implementação plena da IA no diagnóstico da osteoporose requer um equilíbrio cuidadoso entre inovação tecnológica e prática clínica, garantindo que os benefícios das novas tecnologias sejam maximizados sem comprometer a segurança e a qualidade do atendimento ao paciente. Nesse contexto, a integração da IA deve ser vista como uma oportunidade para potencializar as capacidades diagnósticas e terapêuticas, contribuindo para a construção de um sistema de saúde mais eficiente, acessível e equitativo.
REFERÊNCIAS
1: Brasil. Resolução nº 510, de 7 de abril de 2016. Dispõe sobre as normas aplicáveis a pesquisas em Ciências Humanas e Sociais. Diário Oficial da União. 24 maio 2016.
2: Cruz AS. Osseus – Método baseado em Inteligência Artificial e Ondas Eletromagnéticas para o Diagnóstico Auxiliar de Doenças Osteometabólicas [tese]. Natal: Universidade Federal do Rio Grande do Norte; 2018.
3: Gomes CM, Santos RA, Magalhães LV, Costa FA, Mendonça AL. Densitometria óssea: aspectos técnicos, indicações e interpretação. Radiol Bras. 2017;50(2):141-9.
4: Jha S, Topol EJ. Adapting to artificial intelligence: radiologists and pathologists as information specialists. JAMA. 2016;316(22):2353-4.
5: Litjens G, Kooi T, Bejnordi BE, Setio AA, Ciompi F, Ghafoorian M, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88.
6: Meitei TG, Wei W, Lu X. A study on intelligent optical bone densitometry. J Transl Eng Health Med. 2024;12:401-17.
7: Mendes RM, Miskulin RGS. A análise de conteúdo como uma metodologia. Cad Pesqui. 2017;47(165):1044-66.
8: Miura K, Wang C, Chen L, Yuan Y. Osteoporosis prediction using machine-learned optical bone densitometry data. Ann Biomed Eng. 2023;52:396-405.
9: Rodrigues WC, Santos AP, Lima JD, Fernandes GR. Metodologia científica. Paracambi: Faetec/IST; 2007.
10: Rühling S, Kuhl C, Stöhr A, Boes J, Eichhorn K, Will A, et al. Automated detection of the contrast phase in MDCT by an artificial neural network. Eur Radiol. 2021;32(2):1465-74.
11: Tsai DJ, Wu SJ, Chen YH, Hsiao HW. Artificial intelligence-enabled chest X-ray detects osteoporosis with bone mineral density and identifies mortality events. Res Artic. 2023.
12: World Health Organization. Assessment of fracture risk and its application to screening for postmenopausal osteoporosis: report of a WHO study group. Geneva: WHO; 1994.
13: Yamamoto N, Hashimoto F, Ikeda S, Mitsuhashi T, Ishikawa M. Deep learning for osteoporosis classification using hip radiographs and patient clinical covariates. Biomolecules. 2020;10(11):1534.
14: Yeager M. Artificial intelligence algorithm to classify patient specific bone density from DICOM images and the development of an osteoporosis screening tool [thesis]. Dayton, OH: University of Dayton; 2019.
15: Zeng X, Xu Y, Yu T, Pan Y, Zhang Z, Wang Y, et al. A study on whether deep learning models based on CT images for bone density classification and prediction can be used for opportunistic osteoporosis screening. Osteoporos Int. 2024;35:117-28.