人工智能在肌少症中的应用研究进展

张飞 李毛毛 李铭麟 王佳贺

肌少症(sarcopenia)是一种以肌肉质量和力量丧失为特征的进行性骨骼肌肉疾病,也是一种常见的老年综合征。大样本人口统计报告显示,肌少症影响了超过20%的60～70岁人群和接近50%的75岁以上人群[1],并带来了包括功能限制、跌倒、住院率和死亡率增加等一系列不良结局[2]。

人工智能(artificial intelligence,AI)是利用计算机通过算法模拟人类大脑做出自动反应的计算机领域衍生概念[3]。常用的AI技术包括机器学习(machine learning,ML)、深度学习(deep learning,DL)和自然语言处理(natural language processing,NLP)等。

目前,AI已广泛应用于医学的各个领域,其在分析和提取海量信息方面的本领可以有效提升肌少症管理水平,进而提升肌少症病人的生活质量并降低公共卫生保健支出。本文综述了国内外研究关于AI在肌少症个体中的预防、治疗和管理等方面应用的最新研究进展及临床前景,进一步探索AI在肌少症防治结合方面发挥的作用。

1 AI在肌少症诊断中的作用

1.1 影像学手段 肌少症的诊断除了利用肌肉力量测量等基础临床测量方法外,还可以借助双能X射线吸收法(dual X-ray absorptiometry,DXA)、CT、MRI和超声波等影像学技术[4]。这些技术结合AI的使用,使数据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技术已被广泛应用于身体成分影像测量分析领域。通过使用全卷积网络(full convolutional network,FCN)的DL来自动识别分割身体成分,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的背景下具有广泛应用前景[6]。相关研究显示,使用FCN算法的DL模型能够稳定地、自动地提取,可用于评估肌少症的肌肉质量[7]。骨骼肌指数(skeletal muscle index,SMI)是肌少症的常用影像学诊断指标,其通常是通过手动分割图片计算得出骨骼肌面积再除以身高的平方获得,但是手动图像分割不仅耗时耗力,而且还具有一定的主观性,因而不适合在临床中大规模应用[8]。AI可以帮助医学影像从业者降低无意义的重复劳动,进而更专注于临床影像学核心技术。基于成像数据的DL系统可以实现精准化、全自动的图像分割,并且与放射科医生在脂肪参数评价上具有很好的一致性,可以在未来用于肌肉评估[9-10]。腰大肌、身体长轴和腹肌区域的CT扫描结果经AI软件处理后可获得SMI,可用于肌少症诊断及肿瘤病人的预后评估[11]。Gu等[12]使用腹部CT平扫数据为训练对象,利用SegNet、U-Net和Attention U-Net 3种网络模型并针对不同临床需求构建了一个肌少症分类模型,其对肌少症的预测具有很高的准确性(AUC=0.874)。U-Net网络相比于既往其他网络模型具有更强的竞争力,即使在低剂量的CT图像中,U-Net网络模型亦可以充分处理和挖掘相应数据[13]。2022年的一项Meta分析显示,骨骼肌图像分割的DL模型的汇总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],证实了基于影像学的DL模型可以实现骨骼肌图像的自动分割,并有助于肌少症的诊断。遗憾的是,这项Meta分析纳入的文献存在显著的发表偏倚并且异质性较高,基于影像学的DL模型的稳定性和精确度仍需要未来研究进一步验证。

1.2 临床预测模型 临床预测模型可以用于评估受试者患有肌少症的概率,以尽早提供针对性的干预措施。Bae等[15]基于韩国65岁以上老年人数据建立的DL模型诊断肌少症的准确率、精确率、召回率和F1分数分别为87.55%、85.57%、90.34%及87.89%,证实了肌少症预测模型的稳健性与预测准确性。Zhang等[16]以中国西部健康和老龄化趋势的基线数据建立肌少症预测模型,利用厦门老龄化趋势数据作为外部验证,比较了支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、极端梯度提升(extreme gradient boosting,XGBoost)和W&D(wide &deep)4个模型在训练数据集和外部验证数据集中的性能,结果显示W&D模型在2组数据集中均表现最佳(训练数据集性能:AUC=0.916;外部验证数据集性能:AUC=0.970)。临床预测模型同样可以用于预测肌少症不良反应发生率及死亡率。Sakai等[17]使用前颈部拍摄图像特征、年龄、性别和BMI构建了肌肉减少症性吞咽困难筛选模型(AUC=0.877)。此外,通过基于ML的系统自动选择合适的CT序列,自动获取棘旁骨骼肌面积(skeletal muscle area,SMA)和骨骼肌密度(skeletal muscle density,SMD),结果显示较高的SMA和SMD与较低的全因死亡率风险相关[7]。Nachit等[18]使用U-Net算法,从2004年4月至2016年12月成人门诊病人的腹部CT中提取出肌肉和脂肪数据,随访后发现其与门诊病人死亡风险增加相关(HR=1.89,95%CI:1.52～2.35)。

1.3 可穿戴设备 传统的肌少症诊断方式通常需要庞大的机器,随着传感器领域的飞速发展,让可穿戴式设备诊断肌少症成为可能。韩国一项研究利用智能鞋垫和智能手机收集肌少症病人和肌肉骨骼肌疾病病人的视频数据并进行AI步态分析,结果显示AI获得的12个姿势变量在两者间的差异存在统计学意义[19]。Kim等[20]从基于惯性传感器的可穿戴步态设备获得步态信号,RF的统计结果显示其对肌少症的诊断准确度高达93.75%。此外,光体积变化描记图法(photoplethysmography,PPG)是借光电手段在活体组织中检测血液容积变化的一种无创检测方法。最新的一项研究利用327名受试者的PPG信号开发了一种基于AI算法和生物医学信号的身体肌肉百分比计算模型,可用于预测肌少症[21]。

1.4 生物标志物 生物标志物同样是肌少症的诊断方向之一,包括影像生物标志物和血清生物标志物。影像生物标志物包括剪切波弹性成像(shear-wave elastography,SWE)和灰阶超声(gray-scale ultrasonography,GSU)。一项研究使用牛津大学视觉几何组网络、残差网络、稠密连接网络等3种卷积神经网络构建模型,结果显示,通过GSU对肌少症的分类准确率介于70%～80%,通过SWE对肌少症的分类准确率介于65.0%～75.0%[22]。有研究利用已发表的单细胞转录组生物信息技术研究开发了一个肌少症的AI诊断模型,结果显示其具有较高的敏感性(100.00%)、特异性(94.12%)、准确性(95.83%)[23]。利用RF识别肌少症的预测性指标,发现白蛋白、C反应蛋白、维生素D和血清叶酸是肌少症重要的血清生物学标志物[24]。

2 AI在肌少症治疗中的作用

2.1 个性化健康照护 肌少症的治疗选择包括药物治疗和非药物治疗两大途径。非药物治疗方法包括抗阻训练和加强营养。虽然生长激素、蛋白质合成代谢药、雄激素等药物已被证实存在疗效,但仍未发现治疗肌少症的特效药[25],因而肌少症的个性化健康照护就显得更为重要。家庭运动处方是抗阻训练中重要的非药物治疗途径,遗憾的是,相关研究显示其依从性仅为40%[26]。有赖于NLP的进步,AI技术开发的远程遥控系统可以帮助医患双方更好地掌握治疗进展,进而提高依从性。在肌少症健康教育方面,Liao等[27]将护理指导纳入基于AI的移动应用程序中,结果显示,干预3个月后,研究对象对肌少症知识的知晓总分得到了显著提高[(4.15±2.35)分比(6.65±0.85)分,P<0.05]。

2.2 康复锻炼指导 抗阻训练是肌少症治疗中的重要环节。一项Meta分析评估了长期渐进式阻力训练干预治疗肌少症的效果,结果显示病人干预后起立-行走试验、步速、简易机体功能评估法和6 min步行测试结果均有显著改善[28]。但不正确的锻炼姿势会导致无效锻炼甚至受伤,最佳的解决方案是邀请教练进行指导,然而高昂的费用却限制了这一方案的应用。AI为此提供了廉价易得的解决方案,通过深度神经网络开发的个人锻炼助手,实现了AI教练对运动姿势的评估与反馈。目前的研究已经实现对正确蹲姿的评价[29],相信在未来,AI教练将覆盖更多的渐进式阻力训练姿势的指导。

3 AI在肌少症管理中的作用

3.1 肌少症风险因素评估 早期预测和识别肌少症的发生风险对于改善肌少症预后有着重要意义。目前,肌少症疾病风险预测常用的AI算法包括RF、XGBoost、SVM等[24]。Kim等[30]基于KNHANES研究的眼科检查和人口统计学数据,对ML模型(XGBoost)方面进行训练以预测肌少症,结果显示男性和女性模型预测的AUC分别为0.746和0.762。另一项研究利用常用的最大似然算法如SVM、RF、Logistic回归等训练数据集,对4020例≥65岁的病人进行建模,结果显示男性肌少症发生的危险因素包括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、空腹血糖和水摄入量;女性肌少症发生的10个最重要的危险因素分别是BMI、水摄入量、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和生物电阻抗分析法(bioelectrical impedance analysis,BIA)均是临床上广泛使用的肌肉质量测量方法,但相对昂贵的价格限制了它们在肌少症筛查中的使用。AI模型可以利用其他易获得的数据替代DXA或BIA,让简易、廉价的肌少症筛查方案成为现实。最新的一项研究利用来自美国国家健康与营养调查的数据生成的模型,可以获取DXA的替代数据(AUC:0.88～0.90)[32]。此外,Miao等[33]通过套索回归和10倍交叉验证法筛选预测指标,通过该模型预测的四肢骨骼肌质量(appendicular skeletal muscle mass,ASM)与BIA测量的ASM具有较高的一致性,因而针对那些尚未配备BIA的社区可以采取这种算法作为60～70岁女性ASM测量的简化筛查方案。

3.3 机会性筛查 许多检查如CT或胸部X线片都可能包含关于身体成分的额外数据,但这些数据在常规的临床中并不会使用,这实际上造成了一种浪费。AI技术可以利用这些额外的数据提供新的价值,包括识别高风险病人以进行精准干预或者帮助低风险个体排除不必要的检查。研究显示,基于AI辅助CT的机会性筛查是一种高成本效率和临床有效的策略,并且在大多数情况下是经济有效的[34],另外,更建议使用CT扫描L1水平以增加机会性CT筛查的潜在收益[35]。Ryu等[36]对DL模型进行训练,从胸部X线片图像中预测四肢肌肉量、握力和30 s椅子起立测试结果,以用于肌少症的机会性筛查。

4 总结与展望

随着老龄人口比例的不断增加,肌少症作为一种常见的老年综合征将变得越来越普遍,并带来一系列的不良后果。AI的发展为肌少症的诊断、治疗和管理带来了更为科学有效的方式,并显著降低公共卫生保健成本。但目前研究中普遍存在研究对象数量和外部验证较少等问题,缺乏普遍适用性,未来仍需要更进一步的多中心研究来明确AI在肌少症中的作用。