kaiyun体育 专题论坛 | 人工智能在肌少症中的应用研究进展

人工智能在肌肉减少症中的应用研究进展

张飞、李毛毛、李明林、王嘉禾

资助项目：国家重点研发计划项目（项目编号：2018YFC2002104，项目编号：2018YFC2002100）；辽宁省重点研发引导计划项目（2019JH8/10300021）

作者单位：中国医科大学附属盛京医院全科医学科，辽宁沈阳 110000（张飞，李明林，王嘉禾）；安徽医科大学第一附属医院全科医学科，安徽合肥 230022（李毛毛）

通讯作者：王嘉禾，Email：wangihcmusj@163.com

[摘要] 肌肉减少症是一种常见的老年综合征，增加老年人不良结局的发生率。人工智能（AI）是一种利用计算机通过算法模拟人脑做出自动反应的技术，已被广泛应用于医学的各个领域。其对海量信息的分析和提取能力可有效改善肌肉减少症的管理，从而改善肌肉减少症患者的生活质量并减少公共医疗支出。本文综述了国内外关于AI在肌肉减少症个体预防、治疗和管理中应用的最新研究进展和临床前景。

【关键词】肌肉减少症；人工智能；老年综合征

肌肉减少症是一种渐进性的肌肉骨骼疾病，特征为肌肉质量和肌肉力量的下降。它也是一种常见的老年综合征。大规模人口统计数据显示，肌肉减少症影响了 60 至 70 岁人群的 20% 以上和 75 岁以上人群的近 50% [1]。它与一系列不良后果相关，包括功能受限、跌倒、住院率增加和死亡率 [2]。

人工智能（AI）是源自计算机领域的概念，利用计算机通过算法模拟人脑做出自动反应[3]。常用的人工智能技术包括机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等。

目前，人工智能已广泛应用于医学各个领域，其对海量信息的分析和提取能力可有效改善肌少症的管理，从而提高肌少症患者的生活质量，减少公共医疗支出。本文综述了国内外人工智能应用在肌少症个体预防、治疗和管理方面的最新研究进展和临床前景，并进一步探讨人工智能在肌少症防治结合中的作用。

1. 人工智能在肌肉减少症诊断中的作用

1.1 影像学方法 除了肌肉强度测量等基本临床测量方法外，肌少症的诊断还可以基于双能X射线吸收仪（DXA）、CT、MRI和超声等影像学技术[4]。这些技术与AI相结合，使得数据能够被进一步分析和挖掘，为肌少症的诊断提供了更多的可能性[5]。目前，AI技术已广泛应用于身体成分影像测量分析领域。利用深度学习结合全卷积网络（FCN）可以自动识别和分割身体成分，有助于明确和量化肌肉质量，在糖尿病、高血压、癌症等许多专科疾病领域有着广阔的应用前景[6]。相关研究表明，采用FCN算法的深度学习模型可以稳定、自动地提取肌肉质量，可用于评估肌少症[7]。骨骼肌指数（SMI）是肌少症常用的影像学诊断指标。 骨骼肌面积通常是通过人工分割图像计算骨骼肌面积，然后除以高度的平方而得到的。然而，人工图像分割不仅费时费力，而且具有一定的主观性，因此不适合大规模临床应用[8]。人工智能可以帮助医学影像从业者减少无意义的重复性工作，将更多的精力放在临床影像的核心技术上。基于影像数据的深度学习系统可以实现精准的全自动图像分割，并且在脂肪参数评估上与放射科医生具有良好的一致性，未来可以用于肌肉评估[9-10]。

腰大肌、体长轴及腹肌区域的CT扫描结果经AI软件处理后可得到SMI，用于肌肉减少症的诊断及癌症患者的预后评估[11]。顾等[12]以腹部CT扫描数据为训练对象，分别采用SegNet、U-Net及Attention U-Net三种网络模型，构建了针对不同临床需求的肌肉减少症分类模型。该模型对肌肉减少症的预测准确率较高（AUC = 0.874）。与之前的其他网络模型相比，U-Net网络更具竞争力，即使在低剂量CT图像中，U-Net网络模型也能充分处理并挖掘相应数据[13]。 2022 年的一项荟萃​​分析显示，DL 模型用于骨骼肌图像分割的总结 Dice 相似系数为 0.941（95% CI：0.923-0.959），Jaccard 相似系数为 0.967（95% CI：0.949-0.986）[14]，证实基于影像的 DL 模型可以实现骨骼肌图像的自动分割并有助于诊断肌肉减少症。不幸的是，这项荟萃分析中纳入的文献存在明显的出版偏见和较高的异质性。基于影像的 DL 模型的稳定性和准确性仍需在未来的研究中进一步验证。

1.2 临床预测模型 临床预测模型可用于评估受试者罹患肌肉减少症的概率，从而尽早采取有针对性的干预措施。Bae等[15]基于韩国65岁以上老年人数据，建立了诊断肌肉减少症的DL模型，模型的准确率、精确率、召回率和F1得分分别为87.55%、85.57%、90.34%和87.89%，证明了肌肉减少症预测模型的稳健性和预测准确率。张等[16]基于中国西部地区健康与老龄化趋势基线数据建立了肌肉减少症预测模型，并以厦门老龄化趋势数据作为外部验证，比较了支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）和W&D（wide&deep）4种模型在训练数据集和外部验证数据集上的性能。 结果显示，W&D模型在两个数据集上表现最佳（训练数据集表现：AUC = 0.916；外部验证数据集表现：AUC = 0.970）。临床预测模型也可用于预测肌少症不良反应的发生率和死亡率。Sakai等[17]利用颈前影像特征、年龄、性别和BMI，构建了肌少症相关吞咽困难筛查模型（AUC = 0.877）。此外，基于ML的系统自动选择合适的CT序列云开·全站APP登录入口，自动获取椎旁骨骼肌面积（SMA）和骨骼肌密度（SMD）。结果显示，较高的SMA和SMD与较低的全因死亡风险相关[7]。Nachit等[18] [18] 利用U-Net算法从2004年4月至2016年12月成年门诊患者的腹部CT扫描中提取肌肉和脂肪数据，经随访发现，其与门诊患者死亡风险增加有关（HR=1.89，95%CI：1.52~2.35）。

1.3 可穿戴设备 传统诊断肌少症的方法通常需要大型机器。随着传感器领域的快速发展，可穿戴设备成为诊断肌少症的可能。韩国的一项研究利用智能鞋垫和智能手机收集肌少症和肌肉骨骼疾病患者的视频数据，并进行AI步态分析，结果显示二者在AI获得的12个姿势变量上的差异具有统计学意义[19]。Kim等[20]从基于惯性传感器的可穿戴步态设备获取步态信号，对RF的统计结果显示其对于肌少症的诊断准确率高达93.75%。此外，光电容积描记法（PPG）是一种利用光电手段检测活体组织血容量变化的非侵入性检测方法。 最近的一项研究利用327名受试者的PPG信号，开发了一种基于人工智能算法和生物医学信号的身体肌肉百分比计算模型，可用于预测肌肉减少症[21]。

1.4 生物标志物 生物标志物也是肌少症诊断方向之一，包括影像学生物标志物和血清生物标志物。影像学生物标志物包括剪切波弹性成像（SWE）和灰阶超声检查（GSU）。有研究采用牛津大学视觉几何组网络、残差网络、密集连接网络三种卷积神经网络建立模型，结果显示GSU对肌少症的分类准确率在70%~80%之间，SWE对肌少症的分类准确率在65.0%~75.0%之间[22]。有研究利用已发表的单细胞转录组生物信息学技术，开发了肌少症的AI诊断模型，结果显示具有较高的灵敏度（100.00%）、特异度（94.12%）和准确率（95.83%）[23]。 利用RF寻找肌肉减少症的预测指标，发现白蛋白、C反应蛋白、维生素D和血清叶酸是肌肉减少症重要的血清生物标志物[24]。

2AI在肌肉减少症治疗中的作用

2.1 个性化医疗 肌少症的治疗选择包括药物治疗和非药物疗法。非药物治疗方法包括阻力训练和增强营养。尽管生长激素、蛋白质合成代谢药物和雄激素等药物已被证明有效，但尚未发现治疗肌少症的特效药物[25]。因此，肌少症的个性化医疗更加重要。家庭运动处方是阻力训练中一种重要的非药物治疗方法。不幸的是，相关研究表明其依从率仅为40% [26]。得益于NLP的进步，利用AI技术开发的远程控制系统可以帮助医生和患者更好地了解治疗进展，从而提高依从性。在肌少症健康教育方面，廖等[27]将护理指导纳入基于AI的移动应用程序中。 结果显示，经过3个月的干预后，受试者肌肉减少症相关知识总得分显著提高[（4.15±2.35）分vs.（6.65±0.85）分，P < 0.001]。

2.2 康复训练指导 阻力训练是肌少症治疗的重要组成部分，一项荟萃分析评估了长期渐进式阻力训练干预对肌少症治疗的效果，结果显示干预后患者站立行走测试、步行速度、简易身体功能评估法及6分钟步行测试结果均有明显改善[28]。然而，不正确的运动姿势会导致运动无效甚至受伤，最好的解决办法是邀请教练进行指导，但高昂的成本限制了这一方案的应用。AI为此提供了一种廉价易用的解决方案，通过深度神经网络开发的个人运动助手，AI教练可以对运动姿势进行评估和反馈，目前的研究已经实现了对正确蹲姿的评估[29]。相信未来AI教练将涵盖更多渐进式阻力训练姿势的指导。

3. 人工智能在肌肉减少症管理中的作用

3.1 肌肉减少症危险因素评估 早期预测和识别肌肉减少症风险对于改善肌肉减少症预后具有重要意义。目前，常用的肌肉减少症疾病风险预测AI算法包括RF、XG-Boost、SVM等[24]。Kim等[30]基于KNHANES研究的眼科检查和人口统计学数据，训练了ML模型（XGBoost）来预测肌肉减少症，结果显示该模型预测对男性和女性的AUC分别为0.746和0.762。另一项研究使用常用的最大似然算法如SVM、RF和逻辑回归，对4020名≥65岁患者的训练数据集进行了训练。 研究结果显示，男性肌少症的危险因素包括BMI、红细胞计数、尿素氮、维生素D、铁蛋白、纤维素摄入量、舒张压、白细胞计数、脂肪摄入量、年龄、ALT、烟酸摄入量、蛋白质摄入量、空腹血糖、水分摄入量；女性肌少症最重要的10个危险因素为BMI、水分摄入量、白细胞计数、红细胞计数、铁摄入量、尿素氮、高密度脂蛋白、蛋白质摄入量、纤维素摄入量、维生素C摄入量[31]。

3.2 简化筛查流程 DXA 和生物电阻抗分析（BIA）都是临床广泛使用的肌肉质量测量方法，但其相对较高的价格限制了其在肌少症筛查中的应用。AI模型可以使用其他现成的数据替代 DXA 或 BIA，使简单、廉价的肌少症筛查成为现实。近期一项研究利用美国国家健康和营养检查调查数据生成的模型kaiyun官方网app下载app，获得了 DXA 的替代数据（AUC：0.88~0.90）[32]。此外，苗某等 [33] 使用套索回归和十倍交叉验证筛选了预测指标，该模型预测的四肢骨骼肌质量（ASM）与 BIA 测得的 ASM 高度一致。因此，对于尚未配备 BIA 的社区，该算法可作为 60~70 岁女性 ASM 测量的简化筛查方案。

3.3 机会性筛查 CT 或胸部 X 光等许多检查可能包含有关身体成分的额外数据，但这些数据并未在常规临床实践中使用，实际上造成了浪费。AI 技术可以利用这些额外数据提供新的价值，包括识别高风险患者以进行精准干预或帮助低风险个体排除不必要的检查。研究表明，基于 AI 辅助 CT 的机会性筛查是一种经济高效且临床有效的策略，在大多数情况下都是具有成本效益的 [34]。此外，建议使用 CT 扫描 L1 级别以增加机会性 CT 筛查的潜在益处 [35]。Ryu 等人 30 训练了一个 DL 模型云开·全站APP登录入口，从胸部 X 光图像中预测肢体肌肉质量、握力和 30 秒椅立测试结果，用于肌肉减少症的机会性筛查。

4 总结与展望

随着老龄人口比例不断增加，肌少症作为常见的老年综合征，将变得越来越常见并带来一系列不良后果。AI的发展为肌少症的诊断、治疗和管理带来了更加科学有效的途径，并显著降低了公共卫生医疗成本。但目前的研究存在研究对象数量少、外部验证少、缺乏普遍适用性等共同问题，未来仍需要进一步开展多中心研究，明确AI在肌少症中的作用。

参考