中華民國骨質疏鬆症學會

Q: What is the address?

中正區常德街1號臺大景福館301室

Home
Taiwan
Taipei
中華民國骨質疏鬆症學會

中華民國骨質疏鬆症學會為依法設立、非以營利為目的之社會團體，以促進骨質疏鬆症醫療之發展與研究，增進會員與國內外有關學術團體、醫院之聯繫及合作為宗旨。

18/12/2025

突破骨質疏鬆檢測瓶頸：
AI 輔助一般 X 光於骨質疏鬆症的伺機性篩檢與臨床應用

台大醫院骨科侯君翰副教授

一、骨質疏鬆症的「診斷缺口」與篩檢新契機

骨質疏鬆症及其併發的脆弱性骨折，對醫療體系的衝擊已不亞於癌症與心血管疾病。根據國際骨質疏鬆症基金會 (IOF) 統計，對於 45 歲以上女性，因骨鬆性骨折導致的住院天數，甚至超過了糖尿病、心肌梗塞及乳癌的總和1。根據流行病學統計，台灣髖部骨折的發生率在亞洲名列前茅，且發生髖部骨折後一年內的死亡率可高達 15-20%2,3。

然而，臨床上面對的最大困境在於巨大的「診斷缺口」 (Diagnostic Gap)。儘管雙能量 X 光吸收儀 (DXA) 是診斷的黃金標準，但受限於設備普及性尚有改善空間(全台灣不到500 台)4、檢查成本高與耗時等因素，尚未有骨折及疼痛等骨鬆潛在病患並無病識感（或者也未有機會接觸到有骨鬆專業訓練的醫師），台灣 50 歲以上人口接受過 DXA 檢查的比例極低。許多病患甚至在發生骨折後，仍未接受標準的骨密度檢測，導致無法獲得完善的骨質疏鬆照護與治療。

近年來，將 AI 導入醫學影像進行「伺機性篩檢 (Opportunistic Screening)」已是備受矚目的國際趨勢。除了利用電腦斷層 (CT) 影像進行定量骨密度分析 (QCT) 或篩查壓迫性椎體骨折 (VCF) 外，為了進一步填補診斷缺口，將此概念應用於臨床更為普及的 KUB 或脊椎 X 光影像上，已成為國際間提升骨鬆診斷率的重要策略5。
隨著 AI 醫療影像技術的百家爭鳴，臨床醫師在選擇篩檢工具時，必須回歸醫學本質，審慎評估其「解剖學的合理性」與「數據的臨床意義」。

二、慎選 AI 工具，從統計推論回歸精準量測

目前市面上的 AI 骨鬆篩檢模型大致可分為「間接推論」與「直接量測」兩大類。
其實，利用 AI 輔助 X 光進行中軸骨分析的概念，在學術界早已獲得驗證。例如長庚團隊於 2021 年發表在《Nature Communications》的研究中6，即證實了透過深度學習分析腰椎 X 光影像，能獲得與 DXA 高度一致的骨密度預測值，並有效篩檢出骨質疏鬆症。這項先驅研究確立了直接分析中軸骨影像在科學上的有效性與臨床價值。
然而，並非所有 AI 工具都遵循此一原則。在臨床效度與偽陽性風險的控制上，不同技術原理存在本質上的差異。

1. 胸腔 X 光 (CXR) 的解剖限制與偽陽性風險
部分 AI 產品利用胸腔 X 光進行骨鬆篩檢。但依據國際臨床骨密檢測學會 (ISCD) 指引，骨鬆診斷應優先量測中軸骨（腰椎、髖部），這不僅是為了符合診斷標準，更關鍵的原因在於：臨床上發生在腰椎與髖部的骨折，其所導致的臨床後果、醫療成本以及死亡率皆最為嚴重，是骨鬆防治工作中必須優先守住的防線。
胸腔 X 光的視野 (FOV) 通常僅能涵蓋第 12 胸椎 (T12) 或第 1 腰椎 (L1)。此類技術多是透過分析 T12/L1 的特徵，再利用統計模型去推估整體腰椎 (L1-L4) 的骨密度。這種方式存在顯著風險：若病患真正的骨質流失發生在 L2-L4，或者 L1 存在退化性增生，CXR 模型將無法正確反應真實骨密狀況。

此外，間接推論的模型在極端值（嚴重骨鬆）的預測上，常出現回歸線斜率 (Slope) 遠離 1 的現象（即低估或高估嚴重程度）。若因此產生大量偽陽性 (False Positive)，將重演過去足跟超音波 (QUS) 篩檢的困境，產生過多的假警報，導致後續轉介 DXA 的結果多為正常，不僅徒增無謂的醫療支出，更可能因此磨損民眾對新科技的信心。

2. 監管類別的落差與數據透明度隱憂另一項臨床醫師需警覺的是產品宣稱與核准內容的落差。市面上部分廠商雖宣稱具備 AI 分析髖部骨密度功能，且持有醫療器材許可證，但細究其核准內容，並非屬於高標準的人工智慧/機器學習醫療器材 (AI/ML-based SaMD)類別。

這意味著該產品的 AI 演算法、模型架構與驗證數據，未經過主管機關針對智慧醫材的嚴格效能審查。最直接的影響是，其仿單上缺乏經監管機關審查的效能數據（如 PPV、NPV、敏感度、特異度、與 DXA 的相關係數/誤差等等），導致臨床醫師無法透過仿單客觀評估其功效，難以掌握該檢測真實的臨床特性。。
此外，若此類模型在導入醫院時，強調需要針對該院 X 光機台進行客製化重新訓練 (Re-training)，這在 AI 領域上往往是個警訊。一個成熟的醫療 AI 模型應具備跨機台的通用性 (Generalizability)；若需逐院調整，暗示模型可能僅是透過過度擬合 (Overfitting)來適應特定機台、單一場域的參數雜訊，而非學習到真正的骨骼生物特徵。在缺乏 DXA 作為驗證標準的基層醫療場域，這類缺乏仿單數據背書的黑箱分析，其可信度令人存疑。

三、選擇 AI 輔助系統的臨床指標

面對不同原理的 AI 工具，臨床醫師在導入時可參考以下指標，以確保篩檢效益最大化：

• 解剖學的相關性 (Anatomical Relevance)：考量骨鬆骨折的高風險部位主要位於髖部與腰椎，選擇能直接分析該解剖部位的檢測工具，在病理生理學上最具說服力。這能避免因其他部位（如足跟、胸骨）的雜訊干擾，而錯失了真正需要治療的病患。更關鍵的是，臨床上常需依賴世界衛生組織開發的 FRAX® (骨折風險評估工具) 來輔助臨床決策。值得注意的是，股骨頸 (Femoral Neck)」的量測是FRAX 運算模型中唯一認可輸入的骨密度參數。因此，具備髖部分析能力的 AI 系統，方能提供此關鍵參數，協助醫師計算病患未來十年的骨折機率。

• 風險分層的細緻度與常模依據 (Risk Stratification and Reference Standards)：骨密度的檢測是對骨折風險的連續性評估，而非僅是「有病/無病」的二元切點。理想的 AI 輔助系統不應只給出「異常/正常」的二分法結果，而應提供具備臨床意義的風險分層資訊，例如符合 WHO 標準的分類（正常、低骨量 Low Bone Mass/Osteopenia、骨質疏鬆 Osteoporosis）或具體的 T-score 數值，協助醫師精準判斷病患是處於早期骨流失還是急需藥物介入的階段。此外，T-score 的計算高度依賴所選用的參照族群 (Reference Population)。依據台灣骨質疏鬆症學會及 ISCD 的建議，應採用 NHANES 年輕白人女性的資料作為計算常模8,9。若 AI 系統未明確告知使用者其使用的參照族群，或使用定義不明的內部資料庫，其產出的 T-score 將失去臨床通用的比較意義。

• 仿單資訊與驗證的透明度 (Transparency of Validation)：無論是採用何種影像模態，AI 模型的泛化能力至關重要。理想的 AI 醫材應在仿單或公開資料中，揭露其與黃金標準 DXA 的比對數據（如相關係數、回歸誤差、均方根誤差等等）。若模型還需要針對個別醫院機台進行客製化調校，除了需留意過度擬合 (Overfitting) 的技術風險外，更潛藏了醫療器材合規性的疑慮。使用未經查驗登記許可的「客製化模型」，本質上可能已偏離了原始核准的軟體規格，醫師在臨床使用時恐面臨適法性風險。具備跨院所、跨機台穩定性的模型，才能在基層醫療或不同臨床場域中，提供可信賴且合規的輔助資訊。

四、臨床情境範例：從常規腹腔影像發現骨鬆風險

將此類伺機性篩檢應用導入臨床流程，能實現不增加輻射暴露、不改變現有流程的無縫篩檢。

【臨床情境模擬】一位 65 歲女性因腰痛或懷疑腎結石至泌尿科/家醫科就診，醫師開立常規 KUB (腹部 X 光) 檢查：

1. 自動化分析：影像上傳 PACS 後，AI 系統於背景自動執行。系統依據預設的篩檢條件（如檢查醫令碼、拍攝部位等），辨識出適合分析的 X 光影像，自動進行髖部或腰椎的骨密度運算，並輸出骨折風險指標（如 T-score、WHO 分類）。

2. 風險提示：醫師在診間閱片時，可同步審閱 AI 輔助報告。例如：系統提示該病患腰椎 L1-L4 T-score 為 -2.8，屬於骨鬆高風險族群。

3. 精準轉介：醫師依據此客觀數據（基於系統具備足夠高的陽性預測值 PPV），向病患解釋：「雖然這次是看結石，但AI分析影像中的腰椎部位，發現您的骨質密度有異常風險。」進而安排轉介至骨科或新陳代謝科，進行標準 DXA 確診與後續藥物照護。

五、結論

DXA 依然是目前骨質疏鬆症診斷與療效追蹤的黃金標準，但在受限的醫療資源與檢測量能下，我們需要更普及的工具來填補巨大的篩檢缺口。隨著 AI 技術的成熟，透過賦能現有的 X 光影像，我們能有效補足 DXA 的檢測量能，將篩檢戰線大幅前推。選擇具備「檢測部位與臨床風險相關性」、「標準化風險分層」、「高陽性預測值」以及「多場域上市後效能驗證」的 AI 工具，將是落實精準醫療、降低高齡骨折風險的關鍵一步。

參考文獻
1. International Osteoporosis Foundation. Epidemiology. https://www.osteoporosis.foundation/health-professionals/about-osteoporosis/epidemiology.
2. Chie WC, Yang RS, Liu JP, Tsai KS. High incidence rate of hip fracture in Taiwan: estimated from a nationwide health insurance database. Osteoporos Int. 2004;15(12):998-1002.
3. Lee SH, Chen IJ, Li YH, Fan Chiang CY, Chang CH, Hsieh PH. Incidence of second hip fractures and associated mortality in Taiwan: A nationwide population-based study of 95,484 patients during 2006–2010. Acta Orthopaedica et Traumatologica Turcica. 2016;50(4):437-442.
4. 核能安全委員會. 113年游離輻射應用與管理統計.; 2025.
5. 16 Bit Inc. 16 Bit Announces FDA De Novo Marketing Authorization of RhoTM, an AI-enabled Opportunistic Pre-Screen for Low Bone Mineral Density on Standard X-Rays.
6. Hsieh CI, Zheng K, Lin C, et al. Automated bone mineral density prediction and fracture risk assessment using plain radiographs via deep learning. Nat Commun. 2021;12(1):5472.
7. FRAX Calculation Tool. https://www.fraxplus.org/calculation-tool.
8. 台灣成人骨質疏鬆症防治之共識及指引. 中華民國骨質疏鬆症學會; 2025.
9. The International Society For Clinical Densitometry. 2019 ISCD Official Positions Adult. Published online 2019.

18/12/2025

人工智慧在骨質疏鬆症及肌少症照護的運用: 台灣發展近況概論

萬芳醫院陳昱斌

台灣高齡化快速推進，骨質疏鬆症與肌少症已成為脆弱性骨折、失能與死亡的核心風險因子。傳統的骨密度檢查主要依賴 DXA，而肌肉量測則多以 BIA（生物電阻抗分析）為主。前者設備取得困難、覆蓋率有限；後者需站立測量，且易受水分、儀器廠牌與病人生理狀態影響，使其在虛弱、高齡或住院族群中的準確度受到限制。更精準的方法如 DXA 身體組成分析或 CT／MRI 肌肉截面積量測雖然可信度高，但成本、流程與可近性仍限制了其在大規模篩檢與臨床日常工作中的推廣。因此，若能從既有的影像檢查中萃取骨質與肌肉資訊，並以人工智慧（AI）加以運算，就能大幅提升臨床篩檢效率。近五年，台灣在骨鬆與肌少症 AI 的研究、臨床應用與醫材監管領域呈現爆發式成長，並逐漸形成從研究到產品化的完整生態系。

一、從髖部到手部 X 光：AI 讓常規影像成為骨鬆篩檢工具
利用 X 光進行骨鬆 AI 判讀的構想，近年已在台灣逐漸成熟。筆者團隊在萬芳醫院與柏瑞醫股份有限公司（Biomedica Corporation）合作，以謙卑的態度展開髖部 X 光深度學習研究，建立卷積神經網路（CNN）模型，從單純的 X 光估算 DXA T-score。模型與 DXA 的相關性達 0.996，顯示 AI 能從日常臨床使用的影像中萃取足夠的骨質資訊，用於機會性篩檢或住院醫療流程中的快速風險分層。我們也正展開跨院擴大外部驗證，以確認模型在不同族群、不同儀器條件下的穩定度與泛化能力（1）。

國立陽明交通大學附設醫院亦提出類似的研究構想，透過深度學習分析髖部 X 光，建構以 DXA T-score 為端點的骨密度推估模型，研究結果支持 X 光導向 AI 可成為 DXA 覆蓋率不足地區的重要補充工具（2）。
除了髖部影像外，長庚大學研究團隊也提出以手部 X 光為基礎的 HarDNet 架構模型 DeepDXA-Hand，可自動推估骨密度並分類骨質疏鬆。該研究於 Bone 期刊正式發表，BMD 相關係數約 0.75、骨鬆分類準確率約 0.80，提供健檢與門診另一種快速、低輻射的篩檢選擇（3）。

________________________________________
二、胸部 X 光的機會性篩檢：從最普及的影像重新看見骨質資訊
胸部 X 光是台灣檢查量最大的影像之一，若能從胸片中挖掘骨鬆資訊，其篩檢覆蓋率將遠高於 DXA。國防醫學院與三軍總醫院團隊提出 AI-enabled CXR 模型，能從胸片影像預測骨鬆風險，並與後續死亡率顯著相關（4）。
台中榮總團隊則以深度學習從胸片推估腰椎 BMD 與 T-score，並經臨床驗證證實其準確度，可作為 DXA 與 calcaneal QUS 之外的另一項骨鬆影像篩檢方式，尤其適用於健檢、門診與住院人群（5）。
在非影像領域，高雄榮總亦以南台灣健康檢查資料建立機器學習風險預測模型，結果顯示部分模型甚至優於 OSTA 指標，顯示 AI 與基本健檢資料結合仍具臨床價值（6）。

三、肌少症 AI：從 BIA 限制走向 CT 影像自動化量測
肌少症的診斷需同時評估肌肉量、肌力與肌肉品質。然而 BIA 在虛弱、無法站立或水分變動大的患者中準確度有限，使得 CT 或 DXA 成為較可信的參考依據。近年來，台灣也出現多項結合 CT 與 AI 的肌少症研究，逐步推動體組成分析自動化。
成功大學團隊於癌症病患族群研究中，展示 AI 協助腹部 CT 量化肌肉與脂肪分布，可快速且一致地產生肌肉量、肌肉密度與脂肪組成等指標，為台灣在自動化體組成分析上提供具臨床價值的方向（7）。成功大學醫學院更進一步開發 iLement CT 身體組成定量系統，利用深度學習模型從腹部 CT 自動產生核心體組成參數，並在癌症及慢性疾病患者中展現實際臨床落地能力（8）。

筆者亦參與國際合作團隊，提出整合髖部 X 光與臨床資訊的多模態 AI 肌少症篩檢方法，在大規模臨床資料中展現良好性能，AUC 接近 0.85，顯示影像與臨床資料融合的 AI 模型，未來可望成為肌少症精準評估的重要工具（9）。

四、從研究到產品：台灣 AI 骨鬆醫材的成熟與本土化
台灣在 AI 醫材領域的發展快速而穩健，骨鬆相關產品已陸續商品化，成為國內醫院的重要輔助工具。

宏碁醫療（Acer Medical）的 VeriOsteo OP 可直接從胸片推估 BMD 與 T-score，使胸部 X 光具備骨鬆篩檢的功能。其官方資訊指出準確度可達近 90%，並已於多家醫院實際導入（10）。

柏瑞醫（Biomedica Corporation）以「六秒產出骨密度報告」為核心特色，其 AIXA Osteo 系統能於標準 X 光上進行快速且高準確度的骨鬆分析，並已在大林慈濟醫院等多家院所使用。官方資料亦指出該模型與 DXA 一致性極高（0.996），並已推向國際義診與跨國應用（11）。

采風智匯（Alpha Intelligence Manifolds, AIM）則推出 DeepXray™ 系列，其腰椎版（Spina）與髖部版（Coxa）模型能從任何含相應部位的 X 光（如 KUB、腹部 X 光）推估 BMD 與 T-score，準確度（相關係數 > 0.9、MAE < 0.05 g/cm²）接近 DXA，是目前台灣少見能同時涵蓋髖部與腰椎的骨鬆 AI 方案（12）。

五、臨床整合與未來展望
台灣在骨質疏鬆症與肌少症 AI 的研究已涵蓋 X 光、CT、健檢資料、多模態建構等完整領域。然而，真正的挑戰並非單一模型的準確度，而是如何讓 AI 在臨床中自然運作──在急診骨折照護流程中協助風險分層、在住院期間提供治療指引、在門診中支持 FLS（Fracture Liaison Service）啟動與追蹤。唯有透過前瞻性研究與真實世界資料的整合與驗證，我們才能評估 AI 是否真的能改善再骨折率、提升治療啟動率，甚至降低死亡風險。

在高齡化浪潮中，AI 不是取代現有工具，而是讓那些原本「看不見的訊息」再次被看見，並在對的時間、對的情境中協助臨床做出更好的判斷。台灣近五年在此領域的累積，正為未來的骨鬆與肌少症照護展開新的篇章。

六、參考文獻
1. Chen YP, Chan WP, Zhang HW, Tsai ZR, Peng HC, Huang SW, Jang YC, Kuo YJ. Automated osteoporosis classification and T-score prediction using hip radiographs via deep learning algorithm. Ther Adv Musculoskelet Dis. 2024;16:1759720X241237872. https://pubmed.ncbi.nlm.nih.gov/38665415/
2. Feng SW, Tsai YH, Chen CH, Chen YJ, Lee CW, Tsuang FY. Deep learning-based hip X-ray analysis for predicting osteoporosis. Appl Sci. 2024;14(1):133. https://www.mdpi.com/2076-3417/14/1/133
3. Ho CS, Fan TY, Kuo CF, Yen TY, Chang SY, Pei YC, Chen YP. HarDNet-based deep learning model for osteoporosis screening and bone mineral density inference from hand radiographs. Bone. 2025 Jan;190:117317. https://pubmed.ncbi.nlm.nih.gov/39500404/
4. Tsai DJ, Lin C, Lin CS, Lee CC, Wang CH, Fang WH. Artificial intelligence-enabled chest X-ray classifies osteoporosis and identifies mortality risk.
J Med Syst. 2024;48(1):12. https://pubmed.ncbi.nlm.nih.gov/38217829/
5. Tseng SC, Lien CE, Lee CH, Tu KC, Lin CH, Hsiao AY, Teng S, Chiang HH, Ke LY, Han CL, et al. Clinical validation of a deep learning-based software for lumbar BMD and T-score prediction from chest X-ray images. Diagnostics. 2024;14(12):1208. https://doi.org/10.3390/diagnostics14121208
6. Huang WC, Chen IS, Yu HC, Chen CS, Wu FZ, Hsu CL, Wu PC. A simple and user-friendly machine-learning model to detect osteoporosis in health examination populations in Southern Taiwan. Bone Rep. 2025;24:101826. https://pubmed.ncbi.nlm.nih.gov/39896106/
7. Huang YT, Tsai YS, Lin PC, Yeh YM, Hsu YT, Wu PY, Shen MR. The value of AI-assisted imaging in identifying diagnostic markers of sarcopenia in cancer patients. Dis Markers. 2022;2022:1819841. https://pubmed.ncbi.nlm.nih.gov/35392497/
8. NCKU College of Medicine. iLement CT Body Composition Quantification System—Official Press Release. Taiwan Healthcare+. 2024. https://www.taiwan-healthcare.org/en/news-detail?id=0shcc71ovs8rtvqk
9. Jin Q, Zou C, Cui H, Sun C, Huang SW, Kuo YJ, Xuan P, Cao L, Su R, Wei L, Duh HBL, Chen YP. Multi-modality contrastive learning for sarcopenia screening from hip X-rays and clinical information. In: MICCAI 2023 LNCS 14225. Springer; 2023. p. 85–94. https://doi.org/10.1007/978-3-031-43987-2_9
10. Acer Medical Inc. VeriOsteo OP Product Page. https://www.acer-medical.com/solutions/veriosteo-op/
11. Biomedica Corporation. News Release—AIXA Osteo adoption at Dalin Tzu Chi Hospital. https://www.biomedica.ai/news/detail/18
12. Alpha Intelligence Manifolds (AIM). DeepXray™ Coxa & Spina Whitepaper.https://www.taiwan-healthcare.org/data/cht/20241026/20241026k74wjq.pdf

18/12/2025

AI在骨質疏鬆與肌少症診斷的新契機：從影像辨識到智慧風險預測

三軍總醫院家庭暨社區醫學部趙圓平醫師方文輝醫師

由於人工智慧(Artificial intelligence, AI)的發展，AI輔助放射診斷學科應用相關的研究大幅增加，不僅協助診斷準確度之提升，同時也促進了伺機性篩檢(opportunistic screening)的蓬勃發展[1]。隨著人口快速老化，骨質疏鬆症和肌少症是老人醫學與流行病學的重要議題。根據國際骨質疏鬆基金會（International Osteoporosis Foundation, IOF）的亞太區報告以及流行病學資料推估，台灣骨質疏鬆高風險族群將從2013年的192萬人增加至2050年的550萬人[2]，然而診斷不足是相關骨折事件偏高的重要原因[3]。儘管雙能量X光吸收儀(Dual-energy X-ray absorptiometry, DXA)診斷效果良好，但受限於儀器設備、費用及受檢民眾意願等因素，實際使用率仍偏低[4-7]。肌少症的盛行率在亞洲整體社區高齡者中也高達16.5%[8]，同樣面臨早期診斷不足的問題[9]。肌少症診斷需測量握力及肌肉量，過程需受檢者全程配合。因此，相較骨質疏鬆，肌少症的診斷更為繁瑣，使得臨床評估與篩檢推廣更具挑戰性。而AI輔助影像診斷，為骨質疏鬆症和肌少症之伺機性篩檢帶來新契機，本文將依序介紹兩者相關研究進展。

AI輔助影像的骨質疏鬆伺機性篩檢，相關影像之應用包括電腦斷層、胸部X光、腰部及髖部X光。

一、 AI輔助腰椎電腦斷層影像，以骨小樑衰減值（Hounsfield units, HU）鑑別骨質疏鬆高風險族群，並提供跨年齡之篩檢標準：
Samuel Jang, MD在美國威斯康辛大學附設醫院執行的研究，利用成人電腦斷層影像中，第一腰椎的HU來篩檢骨質疏鬆[10]。研究族群年齡為18至100歲，平均60±12歲，女性占56.1%，收錄約兩萬例資料。這項研究的價值在於，建立跨年齡層的第一腰椎HU常模範圍（normative ranges），可作為放射科醫師在日常電腦斷層影像中判別骨質疏鬆高風險族群的參考依據，且能快速辨別風險。需注意的是，臨床上接受電腦斷層檢查的人口有限，因此其作為伺機性篩檢工具的應用仍存限制。

二、 AI輔助胸部X光影像在骨質疏鬆運用：胸部X光為台灣最常拍攝之影像，此類方法可提供醫療機構於判讀X光時同步輸出骨鬆風險，有助於解決骨鬆低診斷率問題。

台中榮總團隊進行一項回溯性研究，以AI輔助篩檢軟體，運用深度學習分析胸椎與腰椎交界區（T12–L1）之胸部X光影像，以偵測骨密度異常[11]。結果顯示，AI以胸部X光影像之局部區域分析，即可有效推算DXA測量的腰椎T值，該模型在連續性變項（T值）預測上具良好線性相關，並成功在臨床上以胸部X光作為替代性骨密度資訊來源。該研究之參與者多為50歲以上。這個年齡層在進行DXA檢查時，腰椎部分容易受到退化性病變、鈣化、骨刺等干擾而導致「假性T值升高」的問題，此技術可補足這項缺點，提供更穩定且一致性較高的判讀資訊。

三軍總醫院進行一項大型回溯性研究，建立以胸部X光辨識骨質疏鬆之深度學習模型[12]。研究納入48,353張胸部X光，並以DXA作為標準，其中7,349張用於內部驗證、5,371張用於外部驗證。主要輸出為是否符合骨質疏鬆診斷（T值 ≤ –2.5），並評估模型與長期死亡率之關聯。結果顯示，模型在區分是否為骨鬆方面表現優異：內部資料達 AUC 0.93、外部資料0.89，呈現高度穩健的泛化能力。模型的陰性預測值高達 98%，適合用於排除低風險者。

爾後三軍總醫院團隊進行前瞻性、隨機對照試驗。評估利用AI從胸部X光中辨識出骨質疏鬆高風險者後，再進行DXA篩檢的效益[13]。研究納入40,658名接受胸部X光且40歲以上的受試者(排除已診斷骨鬆者)，結果顯示，12.1%（4912人）被AI判定為高風險者，隨機分為兩組：一組提供DXA檢查（篩檢組），另一組接受一般照護（對照組）。主要終點為DXA確認的骨質疏鬆診斷率。最終，篩檢組中有11.1%（272/2456）新診斷骨質疏鬆，對照組僅1.1%（27/2456），篩檢組的檢出率高出11.2倍（Odds ratio=11.2，P−2.5），內部驗證族群及外部驗證族群的風險比分別為2.19及2.08，在次要驗證組（即只有胸部X光影像），內部驗證族群及外部驗證族群的風險比分別為2.01及1.86，且都達統計顯著意義，說明可以利用AI-CXR來進行分險分層，進而加強高風險群的治療及衛教介入[14]。

三、 AI輔助脊椎及髖部X光的相關應用：骨質疏鬆與髖部及脊椎骨折息息相關，脊椎和髖部X光之應用，能針對已有相關疾病的患者，做進一步評估。使相關患者，即便沒有DXA檢查結果，亦能即時評估骨鬆和骨折風險，以利骨折聯合照護服務(fracture liaison service，FLS)及時介入。

萬芳及台北醫學大學團隊進行的回溯性研究，利用單張髖部X光自動化完成骨質疏鬆分類及T值預測。研究納入1730位受試者、3460張單側髖部X光，並納入年齡、性別、BMI 等臨床變項提升預測能力[15]。在497張測試影像中，AI模型在骨鬆分類上達到卓越表現：敏感度 97.2%、特異度 95.6%。於連續性預測方面，AI 預測之T值與DXA測得值高度一致（r = 0.996）。此AI模型的特色，是應用於急性髖部骨折住院者之「對側髖部骨鬆評估」，作為FLS流程中的一環。此外，髖部X光為所有髖部受傷患者必拍之檢查，因此本模型具推廣潛力，可作為醫院常規X光判讀的附加價值分析工具。

長庚醫院團隊進行一項跨多中心之研究，建立可從骨盆與腰椎X光預測骨密度、T值，並推算FRAX的AI系統[16]。研究收集超過3萬筆DXA測量骨密度值與超過1萬張X光配對資料，並額外使用超過12,000張臨床X光進行測試。結果顯示AI模型可精確預測骨密度：與DXA測得值的相關性高達0.92（髖部）與 0.90（脊椎），模型亦可區分骨質疏鬆高、低風險族群。而使用其預測的骨密度，計算出的FRAX分數，與 DXA測得數值計算所得到的結果非常接近，能找出高骨折風險者。在臨床測試中，84.8%的受試者可直接由AI判定是否有骨鬆（陰陽性預測值均≥95%）。在相同時間內使用該系統篩檢，可讓實際被評估骨鬆風險的人數增加至DXA的1.7倍。此結果顯示，AI應用於X光篩檢能大幅彌補DXA使用率不足的缺口，且同時提供多種相關資訊，是一套完整、有效的骨質健康評估工具。

AI輔助影像的肌少症伺機性篩檢，目前已有多種模式被提出，使用資料包括股直肌灰階超音波成像及全腿X光影像等等[17, 18]。韓國一前瞻性世代研究使用胸部X光及年齡、性別、身體質量指數去預測肌少症，其效能勝過肌少症風險評估(SARC-F)問卷[19]。然而，上述研究部分樣本數相對有限，族群特性與年齡分布亦存在異質性。此外， AWGS於2025年11月發布新版指引，在診斷指標上有所調整。新指引強調肌少症不只是老年病，「骨骼肌」被定位為維持長壽與健康老化的關鍵。此外，肌少症診斷年齡也下修至50–64歲，強調中年介入與監測。而原本為診斷指標之一的體能表現(如走路速度)，被列為結局指標(outcome)。

總結來說，骨質疏鬆症的AI輔助影像篩檢技術已趨於成熟並具備臨床落地條件；而肌少症的AI輔助影像診斷，由於診斷流程改變以及研究異質性高，在普及於臨床應用之前，仍需仰賴更多大型、多中心、且遵循新版指引標準化的前瞻性研究來建立通用模型。

1. Bluemke, D.A., et al., Assessing Radiology Research on Artificial Intelligence: A Brief Guide for Authors, Reviewers, and Readers-From the Radiology Editorial Board. Radiology, 2020. 294(3): p. 487-489.
2. Lin, Y.Y. and C.S. Huang, Aging in Taiwan: Building a Society for Active Aging and Aging in Place. Gerontologist, 2016. 56(2): p. 176-83.
3. Cosman, F., et al., Spine fracture prevalence in a nationally representative sample of US women and men aged ≥40 years: results from the National Health and Nutrition Examination Survey (NHANES) 2013-2014. Osteoporos Int, 2017. 28(6): p. 1857-1866.
4. Orimo, H., et al., Japanese 2011 guidelines for prevention and treatment of osteoporosis--executive summary. Arch Osteoporos, 2012. 7(1): p. 3-20.
5. Mueller, D. and A. Gandjour, Cost-effectiveness of using clinical risk factors with and without DXA for osteoporosis screening in postmenopausal women. Value Health, 2009. 12(8): p. 1106-17.
6. Sedlak, C.A., M.O. Doheny, and S.L. Jones, Osteoporosis education programs: changing knowledge and behaviors. Public Health Nurs, 2000. 17(5): p. 398-402.
7. Sato, M., et al., Bone fractures and feeling at risk for osteoporosis among women in Japan: patient characteristics and outcomes in the National Health and Wellness Survey. Arch Osteoporos, 2014. 9(1): p. 199.
8. Wu, I.C., et al., Epidemiology of sarcopenia among community-dwelling older adults in Taiwan: a pooled analysis for a broader adoption of sarcopenia assessments. Geriatr Gerontol Int, 2014. 14 Suppl 1: p. 52-60.
9. Chen, L.K., et al., A focus shift from sarcopenia to muscle health in the Asian Working Group for Sarcopenia 2025 Consensus Update. Nat Aging, 2025. 5(11): p. 2164-2175.
10. Jang, S., et al., Opportunistic Osteoporosis Screening at Routine Abdominal and Thoracic CT: Normative L1 Trabecular Attenuation Values in More than 20 000 Adults. Radiology, 2019. 291(2): p. 360-367.
11. Tseng, S.C., et al., Clinical Validation of a Deep Learning-Based Software for Lumbar Bone Mineral Density and T-Score Prediction from Chest X-ray Images. Diagnostics (Basel), 2024. 14(12).
12. Tsai, D.J., et al., Artificial Intelligence-enabled Chest X-ray Classifies Osteoporosis and Identifies Mortality Risk. J Med Syst, 2024. 48(1): p. 12.
13. Lin, C., et al., Osteoporotic Precise Screening Using Chest Radiography and Artificial Neural Network: The OPSCAN Randomized Controlled Trial. Radiology, 2024. 311(3): p. e231937.
14. Chen, K.C., et al., Deep learning meets chest X-rays: a promising approach for predicting future compression fracture risk. Ther Adv Musculoskelet Dis, 2025. 17: p. 1759720x251357157.
15. Chen, Y.P., et al., Automated osteoporosis classification and T-score prediction using hip radiographs via deep learning algorithm. Ther Adv Musculoskelet Dis, 2024. 16: p. 1759720x241237872.
16. Hsieh, C.I., et al., Automated bone mineral density prediction and fracture risk assessment using plain radiographs via deep learning. Nat Commun, 2021. 12(1): p. 5472.
17. Yi, J., et al., Deep learning based sarcopenia prediction from shear-wave ultrasonographic elastography and gray scale ultrasonography of re**us femoris muscle. Sci Rep, 2022. 12(1): p. 3596.
18. Hwang, D., et al., Deep Learning-Based Muscle Segmentation and Quantification of Full-Leg Plain Radiograph for Sarcopenia Screening in Patients Undergoing Total Knee Arthroplasty. J Clin Med, 2022. 11(13).
19. Ryu, J., et al., Chest X-ray-based opportunistic screening of sarcopenia using deep learning. J Cachexia Sarcopenia Muscle, 2023. 14(1): p. 418-428.

18/12/2025

人工智慧在骨質疏鬆照護的利基、挑戰與未來展望：從伺機性篩檢到長期追蹤
許瑞佑1,2、傅紹懷1,3

1國立臺灣大學醫學院附設醫院骨科部
2國立臺灣大學重點科技學院精準健康博士學位學程
3國立臺灣大學醫學院附設醫院雲林分院骨科部

　　骨質疏鬆症（Osteoporosis）是高齡化社會中導致失能與死亡的重要原因之一，骨鬆性骨折不僅常見，且帶來的社會經濟負擔沈重。然而，臨床上仍然存在著巨大的篩檢與治療缺口（Treatment Gap）。根據近期《The Lancet》綜合評述文章指出，儘管有效的抗骨質疏鬆藥物已廣泛存在，但絕大多數的高風險病患、甚至是已經發生過脆弱性骨折的患者，仍未能及時接受適當的診斷與治療1,2。

　　造成此一缺口的主因，在於現行診斷黃金標準—雙能量 X 光吸收儀（DXA）的檢查門檻。儘管各國指引大多建議 65 歲以上女性應考慮接受篩檢，但受限於儀器可近性與民眾的篩檢意識，DXA 的使用率在全球（特別是 COVID-19 疫情後）仍呈現停滯甚至下降2。然而，隨著人工智慧（Artificial Intelligence, AI）與深度學習技術的成熟，利用臨床常規的檢查——X 光片（Plain Radiography），進行「伺機性篩檢（Opportunistic Screening）」的概念應運而生，為骨鬆照護帶來了典範轉移的契機。

AI 的利基：化被動為主動的「伺機性篩檢」
　　所謂「伺機性篩檢」，是指利用病患因其他臨床適應症（如胸腔疾病、下背痛、腹部不適）所拍攝的 X 光或 CT 影像，在不增加輻射暴露的前提下，同步進行骨密度（BMD）風險評估。這項技術的核心價值，在於將龐大的「既有影像資料庫」轉化為「未被挖掘的診斷金礦」2,3。

　　在胸部 X 光（CXR）的應用領域，近期醫界已有實際的應用成果。由台灣團隊主導並發表於 Radiology 的 OPSCAN 試驗，其指出利用 AI 輔助判讀胸部 X 光來篩選骨鬆高風險族群，能顯著提高骨質疏鬆的診斷率與治療介入率，證明了主動式 AI 篩檢在臨床流程中的實質效益4。此外，另一套深度學習軟體 VeriOsteo 的臨床驗證研究也顯示，AI 確實能從 2D 的胸部 X 光影像中提取特徵，一定程度反映了腰椎的 BMD 與 T-score，也具有臨床篩檢應用的潛力5。

　　同樣地，針對與 DXA 測量解剖位置重疊的「腰椎 X 光影像」（例如KUB 或 L-spine X-ray），AI 的表現亦十分亮眼。依據我們臺大醫院近期的多中心研究資料顯示，在使用經 TFDA 認證的AI 軟體（DeepXray Spina）6進行分析時，其預測的 BMD 數值與 DXA 測量值在橫斷面（Cross-sectional）呈現高度相關。在納入 600 位病患的分析中，AI 預測值與 DXA 實際測量值的相關係數（Pearson’s r）高達 0.93（圖一），組內相關係數（ICC）亦達 0.90 。這些研究結果顯示，在單一時間點的評估上，AI 已具備臨床等級的可靠度，且具有定量預測骨密度的潛力，有助於醫師找出潛在高風險病患並安排進一步評估與治療。

當前的挑戰：縱向追蹤的「精確度天花板」
　　然而，當應用轉向骨質疏鬆「治療監測（Monitoring）」時，AI 則面臨了較為嚴峻的考驗。臨床醫師在治療骨質疏鬆時，除了篩檢出高風險族群，有時也需要追蹤 BMD 的變化量（ΔBMD）以評估治療療效。然而現行的研究也指出，骨密度的變化通常緩慢且微小，使得短時間內（1-3 年）的變化量往往難以與測量誤差區分 2,7。

　　這項挑戰來自「生物訊號微弱」與「測量誤差」的雙重考驗。首先，骨鬆藥物治療一年的 BMD 增加量通常僅在 1-2% 之間8，即便是停藥後的骨流失量也往往小於 5%9。其次，腰椎 DXA 本身的最小顯著差異（LSC）通常在 4-5% 左右8。換言之，許多臨床上真實發生的「骨密度變化」，其數值幅度其實落在儀器的誤差範圍內，這使得訊號雜訊比（Signal-to-Noise Ratio）極低。

　　根據我們的研究資料分析，這樣的物理限制可能也會反映在 AI 的效能上。儘管 AI 在橫斷面表現優異，但在預測縱向變化時，則較難達到定量的精準度。在平均追蹤 2.5 年的數據中，AI 預測的 BMD 變化量與 DXA 測得的變化量，其相關性（Pearson’s r）約為 0.52 （圖二）。若以腰椎骨密度的 LSC ±5% 為門檻，AI 正確分類變化趨勢（進步、退步或持平）的一致性約為 60%。這顯示目前的 AI 模型主要是模仿 DXA 的判讀，當「老師（DXA）」對微小變化的判讀本身就存在精密度的天花板時，「學生（AI）」在捕捉細微縱向變化上，自然難以青出於藍。

真實世界的變數：影像標準化與資料異質性
　　除了演算法本身的限制，臨床醫師在使用 AI 工具時，也需要注意「資料異質性（Data Heterogeneity）」的問題。AI 模型的效能高度依賴輸入資料的品質，這在醫學影像分析中是一個核心課題。

　　根據我們的研究結果。儘管不分醫學中心、社區據點，AI均能精準地預測單一時間點的骨密度值。但若是需要預測骨密度之變化時，此時AI模型的效能在社區據點則面臨更大的挑戰。在醫院，由於影像拍攝參數較易標準化、且病患配合度高，AI 的預測骨密度變化量之準確度較佳。反觀社區場域，受限於設備變異性、拍攝角度差異以及受試者年齡較大，均有可能影響AI模型的效能及表現。

　　這個結果可以做為臨床醫師使用AI作為輔助診斷工具的參考：在影像品質高度標準化的醫院環境中，AI 的結果更為可靠；但在資料異質性較高的情境下（如外院影像、社區篩檢），判讀則需更加審慎，特別是應用於所預測指標較易受干擾的場景（如骨密度變化量）。影像的偽影、擺位不正，均有可能干擾 AI 的特徵提取，進而影響判讀的精準度。

未來展望：邁向精準監測的演化之路
　　儘管目前的 AI 技術在骨質疏鬆的縱向追蹤上尚未完全取代 DXA，但這並不代表 AI 的發展僅止於此。事實上，隨著訓練資料量的提升以及演算法的演進，AI 仍有潛力突破目前的限制。

　　目前的 AI 模型多採「橫斷面」邏輯，即分別計算兩個時間點的數值再相減，這可能導致誤差疊加。未來臨床應用的演算法則可以根據「時序性分析（Temporal-aware analysis）」發展，例如開發能直接比對成對影像（Paired images）的孿生神經網絡（Siamese neural networks），讓 AI 直接學習影像間的「變化特徵」，而非單點數值。此外，整合電子病歷（EHR）中的數據、臨床風險因子（如骨折史、用藥紀錄）的多模態模型，也將有助於降低影像雜訊的干擾，提升骨質疏鬆甚至於骨折風險預測的穩健度2,3。

結語
　　依據目前的實證醫學證據， AI作為骨質疏鬆的伺機性篩檢工具極具潛力，且已有可靠的真實世界資訊可資佐證其信度與效度。現行無論胸部 X 光篩檢，或是針對脊椎 X 光的 AI 影像分析，皆有機會有效補足現行篩檢率低落的缺口，協助醫師早期找出骨質疏鬆之高風險病患並加以介入。

　　然而，在治療監測方面，考量到生物變化的微小性與儀器精度的限制，對於需要精準評估藥物療效或細微變化的個案，AI 預測的變化量若未顯著超過閾值，臨床上則應謹慎解讀。隨著未來演算法對時序性變化的優化，期待 AI 不僅是骨鬆高危族群篩檢的守門員，更能進化為臨床醫師監測骨質疏鬆治療反應的得力助手。

圖一、AI 預測與 DXA 測量之腰椎骨密度橫斷面相關性分析： AI 模型預測數值與 DXA 實際測量值呈現高度正相關（Pearson's r = 0.93），顯示 AI 在單一時間點的骨密度評估具備高準確度。

圖二、AI 預測與 DXA 測量之腰椎骨密度縱向變化量分析：顯示在平均追蹤 2.5 年後，AI 預測的骨密度變化量與 DXA 測得的變化量相關性僅呈中等（Pearson's r = 0.52）。多數數據點雖落在趨勢線上，但分布較為發散，顯示預測微小變化量仍具挑戰。

參考資料
1. Compston JE, McClung MR, Leslie WD. Osteoporosis. Lancet. Jan 26 2019;393(10169):364-376. doi:10.1016/s0140-6736(18)32112-3
2. Ye C, Ebeling P, Kline G. Osteoporosis. The Lancet. 2025;406(10514):2003-2016. doi:10.1016/S0140-6736(25)01385-6
3. Mousavi SZ, Moshfeghinia R, Molavi Vardanjani H, Sasani MR. Opportunistic screening of osteoporosis by CT scan compared to DXA: A systematic review and meta-analysis. Clin Imaging. Feb 2025;118:110372. doi:10.1016/j.clinimag.2024.110372
4. Lin C, Tsai DJ, Wang CC, et al. Osteoporotic Precise Screening Using Chest Radiography and Artificial Neural Network: The OPSCAN Randomized Controlled Trial. Radiology. Jun 2024;311(3):e231937. doi:10.1148/radiol.231937
5. Tseng SC, Lien CE, Lee CH, et al. Clinical Validation of a Deep Learning-Based Software for Lumbar Bone Mineral Density and T-Score Prediction from Chest X-ray Images. Diagnostics (Basel). Jun 7 2024;14(12)doi:10.3390/diagnostics14121208
6. "AIM" DeepXray Spina – Medical Device License No. 008246. Taiwan Food and Drug Administration (TFDA). https://lmspiq.fda.gov.tw/web/MDPIQ/MDPIQ1000Result?licBaseId=30D63DE9-9B28-4725-ACFF-3F420F2BA38F
7. Kline GA, Morin SN, Feldman S, Lix LM, Leslie WD. Diminishing Value from Multiple Serial Bone Densitometry in Women Receiving Antiresorptive Medication for Osteoporosis. J Clin Endocrinol Metab. Aug 18 2021;106(9):2718-2725. doi:10.1210/clinem/dgab211
8. Lee CC, Wang CY, Yen HK, et al. Zoledronate Sequential Therapy After Denosumab Discontinuation to Prevent Bone Mineral Density Reduction: A Randomized Clinical Trial. JAMA Netw Open. Nov 4 2024;7(11):e2443899. doi:10.1001/jamanetworkopen.2024.43899
9. McNabb BL, Vittinghoff E, Schwartz AV, et al. BMD changes and predictors of increased bone loss in postmenopausal women after a 5-year course of alendronate. J Bone Miner Res. Jun 2013;28(6):1319-27. doi:10.1002/jbmr.1864

18/12/2025

智慧醫療的實踐：AI如何縮小骨質疏鬆症的照護缺口

義大醫院家庭暨社區醫學部預防醫學科主任洪暐傑醫師

高齡社會下，骨質疏鬆症及其引發的脆弱性骨折，已成為嚴重威脅國人健康與生活品質的重大公衛議題。第一線照護骨質疏鬆症的醫療人員都深知這項挑戰的嚴峻性。臨床上不乏日趨精準的診斷工具（如DXA）、有效的評估量表（如FRAX）與日新月異的治療藥物，然而，現實是，「照護缺口」（Care Gap）依然巨大。眾所周知，經歷過一次脆弱性骨折的患者，其發生二次骨折的風險將急遽升高，尤其是脊椎壓迫性骨折（Vertebral Compression Fracture, VCF）的患者。然而，這些高風險患者中，真正被辨識、接受評估與治療的比例，卻低得令人憂心。即使在影像報告中明確提到了VCF，也只有少數的住院患者得到了應有的後續處置。問題的核心，在於醫療是高度勞力密集的產業。找出這些散落在醫院各個角落的患者、確保他們完成複雜的檢查、說服他們開始治療，並在往後數年持續追蹤、確保服藥順從性——這一切都需要投入龐大的人力、時間與資源。

這正是「人工智慧」（AI）能發揮關鍵作用的切入點。在骨鬆治療不斷演進的今日，AI將是未來縮小照護缺口、革新骨鬆照護模式的最強大助力。本文的目的，並非探討艱澀的演算法，而是分享AI如何作為一個強大的「助手」，具體解決臨床上最棘手的幾個痛點。

從「3個I」到「5個I」：AI如何補足FLS的缺口
「骨折聯合照護服務」（Fracture Liaison Service, FLS）已被全球公認為預防二次骨折最有效、也最具成本效益的模式之一。標準的FLS模型，常被歸納為「3個I」：Identification（辨識）、Investigation（檢查）、Initiation（啟動治療）。這個模型非常出色，但在實務上卻遭遇了巨大的瓶頸。首先，「辨識」如何落實？FLS個管師需要耗費大量時間，手動篩選病歷、瀏覽影像報告，過程耗時且容易遺漏。其次，「檢查」的可近性也是問題。DXA是黃金標準，但在基層或資源不足的地區並非隨處可得。最後，「啟動治療」只是第一步，真正的挑戰在於「持續」。研究顯示，骨鬆藥物的服藥順從性極差，一年後僅約三至四成的病人仍規律服藥。

這些瓶頸，核心都指向「人力」與「資訊整合」。有鑑於此，已有研究團隊致力於發展新的FLS照護模式，將傳統的「3個I」擴展為「5個I」模型：Identification（辨識）、Investigation（檢查）、Initiation（啟動治療）、Improvement of Adherence（提升順從性），以及Intelligence（智慧化）。第四個「I」強調了長期追蹤與提升服藥順從性的重要性；而第五個「I」——「智慧化」，也就是AI，正是實現前四個I的關鍵賦能者。

AI應用實戰（一）：用「文字探勘」主動揪出VCF患者
在「5個I」模型中，AI首先大展身手的，就是在「辨識（Identification）」階段。過去，FLS系統依賴臨床醫師轉介或個管師手動篩選來「被動」發現個案。現在，已能利用AI的「自然語言處理」（Natural Language Processing, NLP）技術，讓電腦學會閱讀醫師撰寫的「自由文本」（Free-Text）影像報告。在相關研究中，透過收集數萬份院內的脊椎X光報告，由醫師人工標註哪些報告中含有「脊椎壓迫性骨折」的語意，這些描述千變萬化，例如 "compression fracture", "anterior wedging", "biconcave deformity", "vertebral collapse" 等。接著，使用深度學習模型訓練AI去理解這些報告的上下文，甚至開發了先進的採樣技術，讓AI能從少量的關鍵代表性樣本中高效學習如何判讀。結果是令人振奮的，AI模型在閱讀全新報告時，辨識VCF的準確度極高。這項研究的臨床意義在於，AI可以7天24小時、全年無休地自動閱讀全院所有的影像報告。一旦發現VCF的關鍵字，系統就能立即觸發警示，自動將個案拋轉至FLS個管師的待辦清單中。這套AI系統讓FLS從「被動等待」轉型為「主動出擊」，大幅提升了VCF的個案發現率。

AI應用實戰（二）：用「深度學習」預測骨密度與骨折風險
在「檢查（Investigation）」階段，AI同樣展現了驚人的潛力。DXA檢查的可近性一直是個問題。在基層診所或偏鄉地區，常面臨只有臨床風險因子（如年齡、體重、病史），卻沒有BMD數據的窘境。為了解決這個問題，已有團隊利用台灣本土「全國骨骼健康篩檢計畫」中一萬多名50至90歲婦女的數據資料庫，建立了一個「骨密度預測模型」。此模型使用「人工神經網路」（ANN）的深度學習演算法，輸入的變數僅包含FRAX所需的臨床風險因子。透過讓AI學習這些因子與實際DXA測量值之間的複雜關聯，結果顯示，AI模型能相當準確地「預測」出患者的腰椎、總髖部、股骨頸BMD數值及最低T-score。利用這個AI預測出的BMD數值，結合原有的FRAX因子，可建立一個新的「高骨折風險分類模型」。在驗證中，傳統FRAX（不含BMD）或OSTA工具辨識高風險族群的準確率約為七成八，而AI預測模型的準確率可提升至八成三以上。這證實了AI模型作為一個高效率、低成本的「篩檢工具」的可行性。未來，在DXA設備不足的地區，醫師可利用此AI工具，更精準地找出需要優先轉介受檢或治療的個案。

AI應用實戰（三）：用「客戶數據平台」打造智慧化個案管理
最後，AI如何協助「啟動治療（Initiation）」與「提升順從性（Improvement of Adherence）」？這有賴於導入第五個「I」——「智慧化（Intelligence）」。骨鬆個案管理是一項漫長且繁瑣的任務。為了讓個管師的效能最大化，已有架構建置了「以人工智慧打造的客戶數據平台（Customer Data Platform, CDP）」。CDP的核心概念是「整合」，它打破了醫院內資訊系統各自為政的孤島，將醫療資訊系統（HIS）、檢驗系統（LIS）、影像系統（PACS）的資料全部匯流在一起。而AI則是這個平台的大腦。整個智慧FLS的工作流程如下：NLP模型自動閱讀影像報告找出VCF個案；CDP系統自動彙整該病患的所有資料（病史、抽血報告、DXA排程等）；系統可自動帶入BMD預測模型或FRAX風險值，提供個管師治療建議；系統會自動化管理個案的追蹤排程，例如提醒個管師撥打電話、或在病人回診時自動在門診系統跳出警示（Alert system）；系統甚至能串接藥局資料，一旦偵測到病人未按時回診領藥，便會主動提醒個管師介入關懷。在這個「AI + CDP」的模式下，個管師不再需要花費大量時間在行政和撈取資料上，而是能將寶貴的時間專注於與病患溝通、衛教、建立信賴關係，這才是真正提升藥物順從性的關鍵。

展望未來：從文字到影像，從骨鬆到肌少症
目前的研究，主要集中在AI的「文字探勘」與「數據預測」。然而，AI的下一步，是更令人期待的「電腦視覺（Computer Vision）」。未來，AI不僅能閱讀報告，更能直接在X光影像上圈出疑似的VCF病灶，甚至能半定量地評估Genant分級，成為放射科醫師的第二雙眼。而這個技術，也完美地扣合了肌少症的議題。臨床上，有多少腹部或胸部CT是為了其他目的而做的？AI有能力在這些「機會性影像」上，自動分割並計算腰大肌（Psoas muscle）的面積與密度，藉此「順便」篩檢出潛在的肌少症患者。

結語：AI是夥伴，不是取代者
AI不會取代醫師或護理師的專業判斷與溫暖關懷，但它將會取代那些重複性、低效率、高人力的行政工作。人工智慧的導入，正在將傳統的FLS，從被動、耗時、依賴人力的模式，革新為主動、即時、且高度自動化的「智慧化FLS 5I模型」。它賦予醫療體系更強大的能力，去系統性地找出每一位被遺漏的骨折病人，精準評估他們的風險，並提供貫穿全程的個案管理。AI是臨床最強大的夥伴，協助吾輩更有效地去「Capture the Fracture」，終結二次骨折的惡性循環，甚至從根本攔截第一次骨折的發生。

參考文獻
1. Hung, W.-C.; Lin, Y.-L.; Lin, C.-W.; Chin, W.-L.; Wu, C.-H. (2024) Advanced Sampling Technique in Radiology Free-Text Data for Efficiently Building Text Mining Models by Deep Learning in Vertebral Fracture. Diagnostics, 14, 137.
2. Hung, W.-C.; Lin, Y.-L.; Yang, C.-H.; Cheng, T.-T.; Chin, W.-L.; Tu, L.-T.; Chen, C.-K.; Wu, C.-H. (2023) Establish and validate the reliability of predictive models in bone mineral density by deep learning as examination tool for women. Osteoporos Int.
3. Hung, W.-C.; Yang, C.-H.; Cheng, W.-L.; Wu, C.-H. (2019) Revisit three “I” model: a novel five “I” model of fracture liaison service. Osteoporos Int.
4. Ganda K, Puech M, Chen JS, Speerin R, Bleasel J, Center JR, Eisman JA, March L, Seibel MJ (2013) Models of care for the secondary prevention of osteoporotic fractures: a systematic review and meta-analysis. Osteoporos Int 24:393-406.
5. Wu CH, Tu ST, Chang YF, Chan DC, Chien JT, Lin CH, Singh S, Dasari M, Chen JF, Tsai KS (2018) Fracture liaison services improve outcomes of patients with osteoporosis-related fractures: a systematic literature review and meta-analysis. Bone 111:92-100.
6. Wu CH, Kao IJ, Hung WC, Lin SC, Liu HC, Hsieh MH, Bagga S, Achra M, Cheng TT, Yang RS (2018) Economic impact and cost-effectiveness of fracture liaison services: a systematic review of the literature. Osteoporos Int 29:1227-1242.
7. Huybrechts KF, Ishak KJ, Caro JJ (2006) Assessment of compliance with osteoporosis treatment and its consequences in a managed care population. Bone 38:922-928.
8. Kanis JA, Oden A, Johansson H, Borgström F, Ström O, McCloskey E (2009) FRAX® and its applications to clinical practice. Bone 44:734-743.
9. Koh LK, Sedrine WB, Torralba TP et al (2001) A simple tool to identify asian women at increased risk of osteoporosis. Osteoporos Int 12:699-705.

18/12/2025

骨質疏鬆症的整合治療策略：從臨床實踐到院級系統化之完整照護模式**

杜思德彰化基督教醫院內分泌新陳代謝科

摘要（Abstract）
背景：
台灣快速進入超高齡社會，使骨質疏鬆症成為導致失能與死亡的重要公共衛生議題。儘管盛行率高，但診斷率與治療率長期偏低，且次級性骨鬆、糖尿病相關風險往往被忽略。

目的：
本研究目的為整合臨床證據、2024–2025 年最新國內外指引與政策，提出可在各層級醫療體系落實的骨鬆整合照護策略，並分享實際院級 FLS（Fracture Liaison Service）建置成效。

方法：
本文內容整合國際臨床指引、最新健保規範、講者課堂內容與實際醫院經驗，依臨床照護流程與建置策略進行結構化整理。

結果：
透過 DEXA＋FRAX 風險分層、序列治療、AI 辨識、一站式篩檢與 FLS 系統，院級照護可顯著提升骨鬆診斷率、治療覆蓋率與長期依從性，並降低再骨折風險。2025 年健保政策更新將大幅減少行政負擔並提高治療可近性。

結論：
骨質疏鬆症需要主動、結構化與跨科整合的照護模式。透過政策、科技與流程結合，可全面提升台灣骨鬆照護品質。

關鍵字：
骨質疏鬆、FLS、序列治療、FRAX、AI、健保制度

-----
前言（Introduction）
台灣自 2025 年起正式邁入超高齡社會，骨質疏鬆症已成為高失能率與高死亡率的慢性疾病。50 歲以上族群的骨鬆盛行率女性達 38%、男性達 23%；髖部骨折一年死亡率約 14%，五年死亡率可達 42%［1］。
然而臨床上診斷率與治療率皆偏低，尤其糖尿病、類固醇使用、甲狀腺／副甲狀腺功能異常等次級性骨鬆常被忽略。近年研究顯示，糖尿病患者 T-score 偏低，實際骨折風險高於骨密數值所顯示，增加疾病隱匿性［2］。
因此，需要結合「科學證據、政策制度與院級流程」的整合照護模式，以改善骨鬆照護品質。

方法（Methods）
本研究整理架構來自：
1. 國內外臨床指引與建議（包括 ADA 2024、IOF、NOF 等）。
2. 2025 年健保重大改革內容。
3. 講者於課堂中的重點（含醫院實務案例、流程、AI 與 FLS 建置），資料來源包含提供之簡報檔案內容。
4. 院內骨鬆治療路徑（One-stop、FLS、白板管理、AI 應用）。
依照 IMRAD（Introduction–Methods–Results–Discussion）結構整理，內容著重於：
• 骨鬆診斷與風險分層策略
• 治療端：序列治療、藥物選擇
• 醫院端：FLS 與 AI 導入
• 健保端：制度支持
• 臨床端：如何落地於各層級醫療院所

結果（Results）
一、骨鬆風險與診斷：DEXA＋FRAX 的核心角色

DEXA 為目前最可靠的骨質檢測工具，健保每兩年給付一次。FRAX 風險評估中，Major ≥30%、Hip ≥4.5% 定義為極高風險族群［3］。
糖尿病患者的 FRAX 評估需謹慎，因其骨折風險遠高於骨密度所顯示；FRAXPlus 版本可校正此差異［4］。

二、治療策略：從抗吸收到序列治療的進化
研究顯示，對於高風險與極高風險族群，採用：
• 先骨生成（6–12 個月）
• 再抗吸收（維持數年）
可使骨密度提升最大化並降低骨折風險［5］。
在門診使用「735 口訣」——70 歲、T-score −3、5 萬／6 個月骨生成——有助於病人理解治療必要性。

三、FLS 與 AI：院級系統化模式的核心
FLS 可透過個案管理、白板提醒、轉介制度與跨專科合作，提升再骨折預防率。鹿基醫院導入 FLS 後，診斷率、持續率皆顯著提升，再骨折率下降（課堂內容）。
AI 胸片偵測骨鬆的導入，可直接將「胸片」轉換為「骨鬆篩檢觸發點」，大幅提高 DEXA 開立率與病人完成度［6］。
One-stop screening 模式亦大幅改善糖尿病與骨鬆共病患者的照護效率。

四、2025 健保改革：降低行政負擔與提升可近性
健保於 2025 年進行兩項重大改革：
1. 取消 X 光／BMD 附件（2025/12/01）
→ 減少行政作業、提升醫療意願
2. 擴大初級／次級預防名單（2025/02/01）
→ 納入橈骨／肱骨骨折、RA、長期類固醇、胰島素使用之糖尿病等族群
→ 無骨折也能啟動治療，提高治療覆蓋率

討論（Discussion）
本研究整合臨床證據、院級工具與制度支持，提出一套可跨層級落地的骨鬆管理模式：
（一）基層診所（Primary Care）
• FRAX＋DEXA 協助早期辨識
• 糖尿病、RA、長期類固醇病人需主動篩檢
• 提供生活型態與藥物教育
（二）地區醫院／區域醫院
• 可建立簡易 FLS、SDM 工具
• 強化手術前骨鬆評估（脊椎、膝髖置換前）
（三）醫學中心／大型醫院
• 導入 AI、白板管理、完整 FLS
• 建立跨科路徑（骨科、內分泌、家醫、復健）
• 追蹤長期依從性、骨密改善與再骨折率

結論（Conclusion）
骨質疏鬆症是可治療且可預防的慢性疾病，需要跨專科、跨層級、跨流程的整合型策略。
透過 DEXA＋FRAX、序列治療、FLS、AI、SDM 與健保新制，可以有效提升台灣整體骨鬆照護品質，並降低骨折與死亡風險。

參考文獻（References）
1. Taiwan Osteoporosis Epidemiology Report. Taiwan Osteoporosis Association; 2024.
2. Leslie WD, Morin SN. Diabetes and fracture risk: current perspectives. Curr Opin Endocrinol Diabetes Obes. 2020;27(6):352–359.
3. Kanis JA, Harvey NC, Johansson H, et al. FRAX and fracture prediction. Osteoporos Int. 2020;31:459–471.
4. McCloskey EV, et al. FRAX® with and without BMD. Calcif Tissue Int. 2018;102:23–33.
5. Cosman F, et al. Clinician’s Guide to Prevention and Treatment of Osteoporosis. Osteoporos Int. 2014;25:2359–2381.
6. Kim DH, et al. Deep learning in osteoporosis screening using chest radiographs. Radiology. 2020;297:77–86.

Address

中正區常德街1號臺大景福館301室
Taipei
10048

Telephone

+886223143686

Website

http://www.toa1997.org.tw/

Alerts

Be the first to know and let us send you an email when 中華民國骨質疏鬆症學會 posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Contact The Practice

Send a message to 中華民國骨質疏鬆症學會:

Shortcuts

Want your practice to be the top-listed Clinic in Taipei?

中華民國骨質疏鬆症學會

18/12/2025

18/12/2025

18/12/2025

18/12/2025

18/12/2025

18/12/2025

Address

Telephone

Website

Alerts

Contact The Practice

Shortcuts

Share

Category