借助人工智能的力量，研究人员解锁了全身MRI预测健康风险的潜力，为更智能、个性化的预防策略铺平了道路。最近发表在《eBioMedicine》杂志上的一项研究中，来自德国和美国的研究人员开发并验证了一种基于深度学习的框架，用于从全身磁共振成像（MRI）中自动进行体积体成分分析，并评估其预测大规模西方人群全因死亡率的预后价值。
背景
体成分测量，包括脂肪组织隔室和骨骼肌，已显示出与临床结果的强烈关联，正逐渐成为改善个性化风险评估的重要影像学生物标志物。然而，由于时间和资源限制，这些测量在临床工作流程中的常规量化仍然有限。MRI以其区分组织类型和评估其分布的优越能力，为全面的体成分分析提供了显著潜力。该研究指出，手动量化耗时费力，而自动化方法可以克服这些障碍。完全自动化的、基于人工智能的体积方法可以克服当前的局限性，实现更准确和可扩展的评估。这些发现强调了开发标准化工具的重要性，以确保在不同人群中具有临床适用性。
研究内容
性别和BMI差异：研究强调了不同性别和BMI分层之间体成分指标及其预后价值的显著差异，突显了个性化分析的必要性。
该研究利用了两个大规模人群队列的数据：英国生物银行（UKBB），涉及45-84岁的参与者；德国国家队列（NAKO），涉及40-75岁的参与者。两个研究都收集了全面的临床数据，并采用了详细的MRI协议，包括轴向全身T1加权三维体积插值屏气检查（3D VIBE）Dixon序列，用于体成分分析。所有参与者均获得了伦理批准并签署了知情同意书。
主要目标是开发一个深度学习框架，用于从全身MRI中自动量化体积体成分测量，如皮下脂肪组织（SAT）、内脏脂肪组织（VAT）、骨骼肌（SM）、骨骼肌脂肪分数（SMFF）和肌肉内脂肪组织（IMAT）。该框架的性能在UKBB中进行了评估，重点关注其对全因死亡率的预后价值。研究还旨在评估全身体积测量与传统L3椎体单切面体成分估计之间的相关性。
深度学习模型利用Dixon序列成像输入生成分割掩码，从而量化体积和单切面体成分。经验丰富的放射科医生进行了手动注释以训练模型，并独立进行了验证。统计分析包括生存建模和相关性评估，采用协调数据集以最小化分布差异。
研究结果
单切面与体积测量：尽管单切面测量与体积数据有强相关性，但在多变量调整后，其与死亡率的关联减弱，突显了体积分析的优越性。
UKBB队列包括36,317名参与者（18,777名女性和17,540名男性），平均年龄65.1 ± 7.8岁，平均体重指数（BMI）25.9 ± 4.3 kg/m²。体成分分析显示，女性的体积皮下脂肪组织（VSAT）、骨骼肌脂肪分数（VSMFF）和肌肉内脂肪组织（VIMAT）较高，而男性的内脏脂肪组织（VVAT）和骨骼肌体积（VSM）较大（所有p < 0.0001）。在NAKO的23,725名参与者中也观察到类似趋势，其平均年龄为53.9 ± 8.3岁，平均BMI为27 ± 4.7 kg/m²，以及两队列的L3椎体单切面体成分测量。
在UKBB的中位随访期4.77年中，记录了634例死亡（1.7%）。Kaplan-Meier生存曲线显示，VSM最低10百分位和VSMFF及VIMAT最高10百分位的参与者死亡率显著更高（log-rank p < 0.0001）。调整后的Cox回归分析显示，较低的VSM（aHR: 0.86, 95% CI [0.81-0.91], p < 0.0001）与较低的死亡风险相关，而较高的VSMFF（aHR: 1.07, 95% CI [1.04-1.11], p < 0.0001）和VIMAT（aHR: 1.28, 95% CI [1.05-1.35], p < 0.0001）与较高的风险相关。相比之下，在调整传统风险因素后，体积VSAT和VVAT测量与死亡率无显著关联。
L3椎体单切面面积测量的分析结果与体积测量一致，较低的骨骼肌面积（ASM）和较高的脂肪分数（ASMFF）及肌肉内脂肪组织（AIMAT）与死亡率相关。然而，在完全调整后，这些关联对ASM和AIMAT减弱。重新分类分析表明，体积测量比单切面测量更有效地识别高风险个体，骨髓肌肉的净重新分类改进显著（NRI = 0.053, 95% CI [0.016-0.089]）。
体积全身和单切面测量之间的相关性分析显示，在特定脊椎水平（如L3的VAT和SM）有强一致性（R = 0.892和R = 0.944）。这些发现也在NAKO队列中得到复制，但相关性在BMI和性别分层中显著不同。深度学习框架表现出高准确性，Dice系数超过0.86，手动和自动分割结果之间有强一致性（r > 0.97）。
结论
该研究开发了一个基于全身MRI的自动化深度学习框架，用于体成分分析，并评估了其在超过30,000名个体中预测死亡率的预后价值。体积测量，包括骨骼肌、骨骼肌脂肪分数和肌肉内脂肪组织，是死亡率的独立预测因子，优于传统的单切面方法，后者的相关性受性别和BMI的影响。尽管如此，研究承认了一些局限性，如队列人口主要代表西方人口和随访时间有限，这可能影响普遍性。
未来的研究应探索体积MRI分析在不同人群和成像协议中的临床整合。
(全文结束)
