人工智能在肌少癥中的應用研究進展

張飛 李毛毛 李銘麟 王佳賀

肌少癥(sarcopenia)是一種以肌肉質量和力量喪失為特征的進行性骨骼肌肉疾病,也是一種常見的老年綜合征。大樣本人口統計報告顯示,肌少癥影響了超過20%的60～70歲人群和接近50%的75歲以上人群[1],并帶來了包括功能限制、跌倒、住院率和死亡率增加等一系列不良結局[2]。

人工智能(artificial intelligence,AI)是利用計算機通過算法模擬人類大腦做出自動反應的計算機領域衍生概念[3]。常用的AI技術包括機器學習(machine learning,ML)、深度學習(deep learning,DL)和自然語言處理(natural language processing,NLP)等。

目前,AI已廣泛應用于醫學的各個領域,其在分析和提取海量信息方面的本領可以有效提升肌少癥管理水平,進而提升肌少癥病人的生活質量并降低公共衛生保健支出。本文綜述了國內外研究關于AI在肌少癥個體中的預防、治療和管理等方面應用的最新研究進展及臨床前景,進一步探索AI在肌少癥防治結合方面發揮的作用。

1 AI在肌少癥診斷中的作用

1.1 影像學手段 肌少癥的診斷除了利用肌肉力量測量等基礎臨床測量方法外,還可以借助雙能X射線吸收法(dual X-ray absorptiometry,DXA)、CT、MRI和超聲波等影像學技術[4]。這些技術結合AI的使用,使數據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技術已被廣泛應用于身體成分影像測量分析領域。通過使用全卷積網絡(full convolutional network,FCN)的DL來自動識別分割身體成分,有助于明確和量化肌肉質量,在糖尿病、高血壓、癌癥等許多?？萍膊〉谋尘跋戮哂袕V泛應用前景[6]。相關研究顯示,使用FCN算法的DL模型能夠穩定地、自動地提取,可用于評估肌少癥的肌肉質量[7]。骨骼肌指數(skeletal muscle index,SMI)是肌少癥的常用影像學診斷指標,其通常是通過手動分割圖片計算得出骨骼肌面積再除以身高的平方獲得,但是手動圖像分割不僅耗時耗力,而且還具有一定的主觀性,因而不適合在臨床中大規模應用[8]。AI可以幫助醫學影像從業者降低無意義的重復勞動,進而更專注于臨床影像學核心技術?；诔上駭祿腄L系統可以實現精準化、全自動的圖像分割,并且與放射科醫生在脂肪參數評價上具有很好的一致性,可以在未來用于肌肉評估[9-10]。腰大肌、身體長軸和腹肌區域的CT掃描結果經AI軟件處理后可獲得SMI,可用于肌少癥診斷及腫瘤病人的預后評估[11]。Gu等[12]使用腹部CT平掃數據為訓練對象,利用SegNet、U-Net和Attention U-Net 3種網絡模型并針對不同臨床需求構建了一個肌少癥分類模型,其對肌少癥的預測具有很高的準確性(AUC=0.874)。U-Net網絡相比于既往其他網絡模型具有更強的競爭力,即使在低劑量的CT圖像中,U-Net網絡模型亦可以充分處理和挖掘相應數據[13]。2022年的一項Meta分析顯示,骨骼肌圖像分割的DL模型的匯總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],證實了基于影像學的DL模型可以實現骨骼肌圖像的自動分割,并有助于肌少癥的診斷。遺憾的是,這項Meta分析納入的文獻存在顯著的發表偏倚并且異質性較高,基于影像學的DL模型的穩定性和精確度仍需要未來研究進一步驗證。

1.2 臨床預測模型 臨床預測模型可以用于評估受試者患有肌少癥的概率,以盡早提供針對性的干預措施。Bae等[15]基于韓國65歲以上老年人數據建立的DL模型診斷肌少癥的準確率、精確率、召回率和F1分數分別為87.55%、85.57%、90.34%及87.89%,證實了肌少癥預測模型的穩健性與預測準確性。Zhang等[16]以中國西部健康和老齡化趨勢的基線數據建立肌少癥預測模型,利用廈門老齡化趨勢數據作為外部驗證,比較了支持向量機(support vector machine,SVM)、隨機森林(random forest,RF)、極端梯度提升(extreme gradient boosting,XGBoost)和W&D(wide &deep)4個模型在訓練數據集和外部驗證數據集中的性能,結果顯示W&D模型在2組數據集中均表現最佳(訓練數據集性能:AUC=0.916;外部驗證數據集性能:AUC=0.970)。臨床預測模型同樣可以用于預測肌少癥不良反應發生率及死亡率。Sakai等[17]使用前頸部拍攝圖像特征、年齡、性別和BMI構建了肌肉減少癥性吞咽困難篩選模型(AUC=0.877)。此外,通過基于ML的系統自動選擇合適的CT序列,自動獲取棘旁骨骼肌面積(skeletal muscle area,SMA)和骨骼肌密度(skeletal muscle density,SMD),結果顯示較高的SMA和SMD與較低的全因死亡率風險相關[7]。Nachit等[18]使用U-Net算法,從2004年4月至2016年12月成人門診病人的腹部CT中提取出肌肉和脂肪數據,隨訪后發現其與門診病人死亡風險增加相關(HR=1.89,95%CI:1.52～2.35)。

1.3 可穿戴設備 傳統的肌少癥診斷方式通常需要龐大的機器,隨著傳感器領域的飛速發展,讓可穿戴式設備診斷肌少癥成為可能。韓國一項研究利用智能鞋墊和智能手機收集肌少癥病人和肌肉骨骼肌疾病病人的視頻數據并進行AI步態分析,結果顯示AI獲得的12個姿勢變量在兩者間的差異存在統計學意義[19]。Kim等[20]從基于慣性傳感器的可穿戴步態設備獲得步態信號,RF的統計結果顯示其對肌少癥的診斷準確度高達93.75%。此外,光體積變化描記圖法(photoplethysmography,PPG)是借光電手段在活體組織中檢測血液容積變化的一種無創檢測方法。最新的一項研究利用327名受試者的PPG信號開發了一種基于AI算法和生物醫學信號的身體肌肉百分比計算模型,可用于預測肌少癥[21]。

1.4 生物標志物 生物標志物同樣是肌少癥的診斷方向之一,包括影像生物標志物和血清生物標志物。影像生物標志物包括剪切波彈性成像(shear-wave elastography,SWE)和灰階超聲(gray-scale ultrasonography,GSU)。一項研究使用牛津大學視覺幾何組網絡、殘差網絡、稠密連接網絡等3種卷積神經網絡構建模型,結果顯示,通過GSU對肌少癥的分類準確率介于70%～80%,通過SWE對肌少癥的分類準確率介于65.0%～75.0%[22]。有研究利用已發表的單細胞轉錄組生物信息技術研究開發了一個肌少癥的AI診斷模型,結果顯示其具有較高的敏感性(100.00%)、特異性(94.12%)、準確性(95.83%)[23]。利用RF識別肌少癥的預測性指標,發現白蛋白、C反應蛋白、維生素D和血清葉酸是肌少癥重要的血清生物學標志物[24]。

2 AI在肌少癥治療中的作用

2.1 個性化健康照護 肌少癥的治療選擇包括藥物治療和非藥物治療兩大途徑。非藥物治療方法包括抗阻訓練和加強營養。雖然生長激素、蛋白質合成代謝藥、雄激素等藥物已被證實存在療效,但仍未發現治療肌少癥的特效藥[25],因而肌少癥的個性化健康照護就顯得更為重要。家庭運動處方是抗阻訓練中重要的非藥物治療途徑,遺憾的是,相關研究顯示其依從性僅為40%[26]。有賴于NLP的進步,AI技術開發的遠程遙控系統可以幫助醫患雙方更好地掌握治療進展,進而提高依從性。在肌少癥健康教育方面,Liao等[27]將護理指導納入基于AI的移動應用程序中,結果顯示,干預3個月后,研究對象對肌少癥知識的知曉總分得到了顯著提高[(4.15±2.35)分比(6.65±0.85)分,P<0.05]。

2.2 康復鍛煉指導 抗阻訓練是肌少癥治療中的重要環節。一項Meta分析評估了長期漸進式阻力訓練干預治療肌少癥的效果,結果顯示病人干預后起立-行走試驗、步速、簡易機體功能評估法和6 min步行測試結果均有顯著改善[28]。但不正確的鍛煉姿勢會導致無效鍛煉甚至受傷,最佳的解決方案是邀請教練進行指導,然而高昂的費用卻限制了這一方案的應用。AI為此提供了廉價易得的解決方案,通過深度神經網絡開發的個人鍛煉助手,實現了AI教練對運動姿勢的評估與反饋。目前的研究已經實現對正確蹲姿的評價[29],相信在未來,AI教練將覆蓋更多的漸進式阻力訓練姿勢的指導。

3 AI在肌少癥管理中的作用

3.1 肌少癥風險因素評估 早期預測和識別肌少癥的發生風險對于改善肌少癥預后有著重要意義。目前,肌少癥疾病風險預測常用的AI算法包括RF、XGBoost、SVM等[24]。Kim等[30]基于KNHANES研究的眼科檢查和人口統計學數據,對ML模型(XGBoost)方面進行訓練以預測肌少癥,結果顯示男性和女性模型預測的AUC分別為0.746和0.762。另一項研究利用常用的最大似然算法如SVM、RF、Logistic回歸等訓練數據集,對4020例≥65歲的病人進行建模,結果顯示男性肌少癥發生的危險因素包括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、空腹血糖和水攝入量;女性肌少癥發生的10個最重要的危險因素分別是BMI、水攝入量、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和生物電阻抗分析法(bioelectrical impedance analysis,BIA)均是臨床上廣泛使用的肌肉質量測量方法,但相對昂貴的價格限制了它們在肌少癥篩查中的使用。AI模型可以利用其他易獲得的數據替代DXA或BIA,讓簡易、廉價的肌少癥篩查方案成為現實。最新的一項研究利用來自美國國家健康與營養調查的數據生成的模型,可以獲取DXA的替代數據(AUC:0.88～0.90)[32]。此外,Miao等[33]通過套索回歸和10倍交叉驗證法篩選預測指標,通過該模型預測的四肢骨骼肌質量(appendicular skeletal muscle mass,ASM)與BIA測量的ASM具有較高的一致性,因而針對那些尚未配備BIA的社區可以采取這種算法作為60～70歲女性ASM測量的簡化篩查方案。

3.3 機會性篩查 許多檢查如CT或胸部X線片都可能包含關于身體成分的額外數據,但這些數據在常規的臨床中并不會使用,這實際上造成了一種浪費。AI技術可以利用這些額外的數據提供新的價值,包括識別高風險病人以進行精準干預或者幫助低風險個體排除不必要的檢查。研究顯示,基于AI輔助CT的機會性篩查是一種高成本效率和臨床有效的策略,并且在大多數情況下是經濟有效的[34],另外,更建議使用CT掃描L1水平以增加機會性CT篩查的潛在收益[35]。Ryu等[36]對DL模型進行訓練,從胸部X線片圖像中預測四肢肌肉量、握力和30 s椅子起立測試結果,以用于肌少癥的機會性篩查。

4 總結與展望

隨著老齡人口比例的不斷增加,肌少癥作為一種常見的老年綜合征將變得越來越普遍,并帶來一系列的不良后果。AI的發展為肌少癥的診斷、治療和管理帶來了更為科學有效的方式,并顯著降低公共衛生保健成本。但目前研究中普遍存在研究對象數量和外部驗證較少等問題,缺乏普遍適用性,未來仍需要更進一步的多中心研究來明確AI在肌少癥中的作用。