人工智能在肌肉減少癥中的應用研究進展

張飛、李毛毛、李明林、王嘉禾

資助項目：國家重點研發計劃項目（項目編號：2018YFC2002104，項目編號：2018YFC2002100）；遼寧省重點研發引導計劃項目（2019JH8/10300021）

作者單位：中國醫科大學附屬盛京醫院全科醫學科，遼寧沈陽 110000（張飛，李明林，王嘉禾）；安徽醫科大學第一附屬醫院全科醫學科，安徽合肥 230022（李毛毛）

通訊作者：王嘉禾，Email：wangihcmusj@163.com

[摘要] 肌肉減少癥是一種常見的老年綜合征，增加老年人不良結局的發生率。人工智能（AI）是一種利用計算機通過算法模擬人腦做出自動反應的技術，已被廣泛應用于醫學的各個領域。其對海量信息的分析和提取能力可有效改善肌肉減少癥的管理，從而改善肌肉減少癥患者的生活質量并減少公共醫療支出。本文綜述了國內外關于AI在肌肉減少癥個體預防、治療和管理中應用的最新研究進展和臨床前景。

【關鍵詞】肌肉減少癥；人工智能；老年綜合征

肌肉減少癥是一種漸進性的肌肉骨骼疾病，特征為肌肉質量和肌肉力量的下降。它也是一種常見的老年綜合征。大規模人口統計數據顯示，肌肉減少癥影響了 60 至 70 歲人群的 20% 以上和 75 歲以上人群的近 50% [1]。它與一系列不良后果相關，包括功能受限、跌倒、住院率增加和死亡率 [2]。

人工智能（AI）是源自計算機領域的概念，利用計算機通過算法模擬人腦做出自動反應[3]。常用的人工智能技術包括機器學習（ML）、深度學習（DL）、自然語言處理（NLP）等。

目前，人工智能已廣泛應用于醫學各個領域，其對海量信息的分析和提取能力可有效改善肌少癥的管理，從而提高肌少癥患者的生活質量，減少公共醫療支出。本文綜述了國內外人工智能應用在肌少癥個體預防、治療和管理方面的最新研究進展和臨床前景，并進一步探討人工智能在肌少癥防治結合中的作用。

1. 人工智能在肌肉減少癥診斷中的作用

1.1 影像學方法 除了肌肉強度測量等基本臨床測量方法外，肌少癥的診斷還可以基于雙能X射線吸收儀（DXA）、CT、MRI和超聲等影像學技術[4]。這些技術與AI相結合，使得數據能夠被進一步分析和挖掘，為肌少癥的診斷提供了更多的可能性[5]。目前，AI技術已廣泛應用于身體成分影像測量分析領域。利用深度學習結合全卷積網絡（FCN）可以自動識別和分割身體成分，有助于明確和量化肌肉質量，在糖尿病、高血壓、癌癥等許多專科疾病領域有著廣闊的應用前景[6]。相關研究表明，采用FCN算法的深度學習模型可以穩定、自動地提取肌肉質量，可用于評估肌少癥[7]。骨骼肌指數（SMI）是肌少癥常用的影像學診斷指標。 骨骼肌面積通常是通過人工分割圖像計算骨骼肌面積，然后除以高度的平方而得到的。然而，人工圖像分割不僅費時費力，而且具有一定的主觀性，因此不適合大規模臨床應用[8]。人工智能可以幫助醫學影像從業者減少無意義的重復性工作，將更多的精力放在臨床影像的核心技術上?；谟跋駭祿纳疃葘W習系統可以實現精準的全自動圖像分割，并且在脂肪參數評估上與放射科醫生具有良好的一致性，未來可以用于肌肉評估[9-10]。

腰大肌、體長軸及腹肌區域的CT掃描結果經AI軟件處理后可得到SMI，用于肌肉減少癥的診斷及癌癥患者的預后評估[11]。顧等[12]以腹部CT掃描數據為訓練對象，分別采用SegNet、U-Net及Attention U-Net三種網絡模型，構建了針對不同臨床需求的肌肉減少癥分類模型。該模型對肌肉減少癥的預測準確率較高（AUC = 0.874）。與之前的其他網絡模型相比，U-Net網絡更具競爭力，即使在低劑量CT圖像中，U-Net網絡模型也能充分處理并挖掘相應數據[13]。 2022 年的一項薈萃??分析顯示，DL 模型用于骨骼肌圖像分割的總結 Dice 相似系數為 0.941（95% CI：0.923-0.959），Jaccard 相似系數為 0.967（95% CI：0.949-0.986）[14]，證實基于影像的 DL 模型可以實現骨骼肌圖像的自動分割并有助于診斷肌肉減少癥。不幸的是，這項薈萃分析中納入的文獻存在明顯的出版偏見和較高的異質性。基于影像的 DL 模型的穩定性和準確性仍需在未來的研究中進一步驗證。

1.2 臨床預測模型 臨床預測模型可用于評估受試者罹患肌肉減少癥的概率，從而盡早采取有針對性的干預措施。Bae等[15]基于韓國65歲以上老年人數據，建立了診斷肌肉減少癥的DL模型，模型的準確率、精確率、召回率和F1得分分別為87.55%、85.57%、90.34%和87.89%，證明了肌肉減少癥預測模型的穩健性和預測準確率。張等[16]基于中國西部地區健康與老齡化趨勢基線數據建立了肌肉減少癥預測模型，并以廈門老齡化趨勢數據作為外部驗證，比較了支持向量機（SVM）、隨機森林（RF）、極端梯度提升（XGBoost）和W&D（wide&deep）4種模型在訓練數據集和外部驗證數據集上的性能。 結果顯示，W&D模型在兩個數據集上表現最佳（訓練數據集表現：AUC = 0.916；外部驗證數據集表現：AUC = 0.970）。臨床預測模型也可用于預測肌少癥不良反應的發生率和死亡率。Sakai等[17]利用頸前影像特征、年齡、性別和BMI，構建了肌少癥相關吞咽困難篩查模型（AUC = 0.877）。此外，基于ML的系統自動選擇合適的CT序列云開·全站APP登錄入口，自動獲取椎旁骨骼肌面積（SMA）和骨骼肌密度（SMD）。結果顯示，較高的SMA和SMD與較低的全因死亡風險相關[7]。Nachit等[18] [18] 利用U-Net算法從2004年4月至2016年12月成年門診患者的腹部CT掃描中提取肌肉和脂肪數據，經隨訪發現，其與門診患者死亡風險增加有關（HR=1.89，95%CI：1.52~2.35）。

1.3 可穿戴設備 傳統診斷肌少癥的方法通常需要大型機器。隨著傳感器領域的快速發展，可穿戴設備成為診斷肌少癥的可能。韓國的一項研究利用智能鞋墊和智能手機收集肌少癥和肌肉骨骼疾病患者的視頻數據，并進行AI步態分析，結果顯示二者在AI獲得的12個姿勢變量上的差異具有統計學意義[19]。Kim等[20]從基于慣性傳感器的可穿戴步態設備獲取步態信號，對RF的統計結果顯示其對于肌少癥的診斷準確率高達93.75%。此外，光電容積描記法（PPG）是一種利用光電手段檢測活體組織血容量變化的非侵入性檢測方法。 最近的一項研究利用327名受試者的PPG信號，開發了一種基于人工智能算法和生物醫學信號的身體肌肉百分比計算模型，可用于預測肌肉減少癥[21]。

1.4 生物標志物 生物標志物也是肌少癥診斷方向之一，包括影像學生物標志物和血清生物標志物。影像學生物標志物包括剪切波彈性成像（SWE）和灰階超聲檢查（GSU）。有研究采用牛津大學視覺幾何組網絡、殘差網絡、密集連接網絡三種卷積神經網絡建立模型，結果顯示GSU對肌少癥的分類準確率在70%~80%之間，SWE對肌少癥的分類準確率在65.0%~75.0%之間[22]。有研究利用已發表的單細胞轉錄組生物信息學技術，開發了肌少癥的AI診斷模型，結果顯示具有較高的靈敏度（100.00%）、特異度（94.12%）和準確率（95.83%）[23]。 利用RF尋找肌肉減少癥的預測指標，發現白蛋白、C反應蛋白、維生素D和血清葉酸是肌肉減少癥重要的血清生物標志物[24]。

2AI在肌肉減少癥治療中的作用

2.1 個性化醫療 肌少癥的治療選擇包括藥物治療和非藥物療法。非藥物治療方法包括阻力訓練和增強營養。盡管生長激素、蛋白質合成代謝藥物和雄激素等藥物已被證明有效，但尚未發現治療肌少癥的特效藥物[25]。因此，肌少癥的個性化醫療更加重要。家庭運動處方是阻力訓練中一種重要的非藥物治療方法。不幸的是，相關研究表明其依從率僅為40% [26]。得益于NLP的進步，利用AI技術開發的遠程控制系統可以幫助醫生和患者更好地了解治療進展，從而提高依從性。在肌少癥健康教育方面，廖等[27]將護理指導納入基于AI的移動應用程序中。 結果顯示，經過3個月的干預后，受試者肌肉減少癥相關知識總得分顯著提高[（4.15±2.35）分vs.（6.65±0.85）分，P < 0.001]。

2.2 康復訓練指導 阻力訓練是肌少癥治療的重要組成部分，一項薈萃分析評估了長期漸進式阻力訓練干預對肌少癥治療的效果，結果顯示干預后患者站立行走測試、步行速度、簡易身體功能評估法及6分鐘步行測試結果均有明顯改善[28]。然而，不正確的運動姿勢會導致運動無效甚至受傷，最好的解決辦法是邀請教練進行指導，但高昂的成本限制了這一方案的應用。AI為此提供了一種廉價易用的解決方案，通過深度神經網絡開發的個人運動助手，AI教練可以對運動姿勢進行評估和反饋，目前的研究已經實現了對正確蹲姿的評估[29]。相信未來AI教練將涵蓋更多漸進式阻力訓練姿勢的指導。

3. 人工智能在肌肉減少癥管理中的作用

3.1 肌肉減少癥危險因素評估 早期預測和識別肌肉減少癥風險對于改善肌肉減少癥預后具有重要意義。目前，常用的肌肉減少癥疾病風險預測AI算法包括RF、XG-Boost、SVM等[24]。Kim等[30]基于KNHANES研究的眼科檢查和人口統計學數據，訓練了ML模型（XGBoost）來預測肌肉減少癥，結果顯示該模型預測對男性和女性的AUC分別為0.746和0.762。另一項研究使用常用的最大似然算法如SVM、RF和邏輯回歸，對4020名≥65歲患者的訓練數據集進行了訓練。 研究結果顯示，男性肌少癥的危險因素包括BMI、紅細胞計數、尿素氮、維生素D、鐵蛋白、纖維素攝入量、舒張壓、白細胞計數、脂肪攝入量、年齡、ALT、煙酸攝入量、蛋白質攝入量、空腹血糖、水分攝入量；女性肌少癥最重要的10個危險因素為BMI、水分攝入量、白細胞計數、紅細胞計數、鐵攝入量、尿素氮、高密度脂蛋白、蛋白質攝入量、纖維素攝入量、維生素C攝入量[31]。

3.2 簡化篩查流程 DXA 和生物電阻抗分析（BIA）都是臨床廣泛使用的肌肉質量測量方法，但其相對較高的價格限制了其在肌少癥篩查中的應用。AI模型可以使用其他現成的數據替代 DXA 或 BIA，使簡單、廉價的肌少癥篩查成為現實。近期一項研究利用美國國家健康和營養檢查調查數據生成的模型kaiyun官方網app下載app，獲得了 DXA 的替代數據（AUC：0.88~0.90）[32]。此外，苗某等 [33] 使用套索回歸和十倍交叉驗證篩選了預測指標，該模型預測的四肢骨骼肌質量（ASM）與 BIA 測得的 ASM 高度一致。因此，對于尚未配備 BIA 的社區，該算法可作為 60~70 歲女性 ASM 測量的簡化篩查方案。

3.3 機會性篩查 CT 或胸部 X 光等許多檢查可能包含有關身體成分的額外數據，但這些數據并未在常規臨床實踐中使用，實際上造成了浪費。AI 技術可以利用這些額外數據提供新的價值，包括識別高風險患者以進行精準干預或幫助低風險個體排除不必要的檢查。研究表明，基于 AI 輔助 CT 的機會性篩查是一種經濟高效且臨床有效的策略，在大多數情況下都是具有成本效益的 [34]。此外，建議使用 CT 掃描 L1 級別以增加機會性 CT 篩查的潛在益處 [35]。Ryu 等人 30 訓練了一個 DL 模型云開·全站APP登錄入口，從胸部 X 光圖像中預測肢體肌肉質量、握力和 30 秒椅立測試結果，用于肌肉減少癥的機會性篩查。

4 總結與展望

隨著老齡人口比例不斷增加，肌少癥作為常見的老年綜合征，將變得越來越常見并帶來一系列不良后果。AI的發展為肌少癥的診斷、治療和管理帶來了更加科學有效的途徑，并顯著降低了公共衛生醫療成本。但目前的研究存在研究對象數量少、外部驗證少、缺乏普遍適用性等共同問題，未來仍需要進一步開展多中心研究，明確AI在肌少癥中的作用。

參考