人工智能在肌少癥中的應(yīng)用研究進(jìn)展

張飛 李毛毛 李銘麟 王佳賀

肌少癥(sarcopenia)是一種以肌肉質(zhì)量和力量喪失為特征的進(jìn)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(tǒng)計(jì)報(bào)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(jié)局[2]。

人工智能(artificial intelligence,AI)是利用計(jì)算機(jī)通過算法模擬人類大腦做出自動(dòng)反應(yīng)的計(jì)算機(jī)領(lǐng)域衍生概念[3]。常用的AI技術(shù)包括機(jī)器學(xué)習(xí)(machine learning,ML)、深度學(xué)習(xí)(deep learning,DL)和自然語(yǔ)言處理(natural language processing,NLP)等。

目前,AI已廣泛應(yīng)用于醫(yī)學(xué)的各個(gè)領(lǐng)域,其在分析和提取海量信息方面的本領(lǐng)可以有效提升肌少癥管理水平,進(jìn)而提升肌少癥病人的生活質(zhì)量并降低公共衛(wèi)生保健支出。本文綜述了國(guó)內(nèi)外研究關(guān)于AI在肌少癥個(gè)體中的預(yù)防、治療和管理等方面應(yīng)用的最新研究進(jìn)展及臨床前景,進(jìn)一步探索AI在肌少癥防治結(jié)合方面發(fā)揮的作用。

1 AI在肌少癥診斷中的作用

1.1 影像學(xué)手段 肌少癥的診斷除了利用肌肉力量測(cè)量等基礎(chǔ)臨床測(cè)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(xué)技術(shù)[4]。這些技術(shù)結(jié)合AI的使用,使數(shù)據(jù)被進(jìn)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(shù)已被廣泛應(yīng)用于身體成分影像測(cè)量分析領(lǐng)域。通過使用全卷積網(wǎng)絡(luò)(full convolutional network,FCN)的DL來自動(dòng)識(shí)別分割身體成分,有助于明確和量化肌肉質(zhì)量,在糖尿病、高血壓、癌癥等許多?？萍膊〉谋尘跋戮哂袕V泛應(yīng)用前景[6]。相關(guān)研究顯示,使用FCN算法的DL模型能夠穩(wěn)定地、自動(dòng)地提取,可用于評(píng)估肌少癥的肌肉質(zhì)量[7]。骨骼肌指數(shù)(skeletal muscle index,SMI)是肌少癥的常用影像學(xué)診斷指標(biāo),其通常是通過手動(dòng)分割圖片計(jì)算得出骨骼肌面積再除以身高的平方獲得,但是手動(dòng)圖像分割不僅耗時(shí)耗力,而且還具有一定的主觀性,因而不適合在臨床中大規(guī)模應(yīng)用[8]。AI可以幫助醫(yī)學(xué)影像從業(yè)者降低無意義的重復(fù)勞動(dòng),進(jìn)而更專注于臨床影像學(xué)核心技術(shù)?；诔上駭?shù)據(jù)的DL系統(tǒng)可以實(shí)現(xiàn)精準(zhǔn)化、全自動(dòng)的圖像分割,并且與放射科醫(yī)生在脂肪參數(shù)評(píng)價(jià)上具有很好的一致性,可以在未來用于肌肉評(píng)估[9-10]。腰大肌、身體長(zhǎng)軸和腹肌區(qū)域的CT掃描結(jié)果經(jīng)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(yù)后評(píng)估[11]。Gu等[12]使用腹部CT平掃數(shù)據(jù)為訓(xùn)練對(duì)象,利用SegNet、U-Net和Attention U-Net 3種網(wǎng)絡(luò)模型并針對(duì)不同臨床需求構(gòu)建了一個(gè)肌少癥分類模型,其對(duì)肌少癥的預(yù)測(cè)具有很高的準(zhǔn)確性(AUC=0.874)。U-Net網(wǎng)絡(luò)相比于既往其他網(wǎng)絡(luò)模型具有更強(qiáng)的競(jìng)爭(zhēng)力,即使在低劑量的CT圖像中,U-Net網(wǎng)絡(luò)模型亦可以充分處理和挖掘相應(yīng)數(shù)據(jù)[13]。2022年的一項(xiàng)Meta分析顯示,骨骼肌圖像分割的DL模型的匯總Dice相似系數(shù)為0.941(95%CI:0.923～0.959),Jaccard相似系數(shù)為0.967(95%CI:0.949～0.986)[14],證實(shí)了基于影像學(xué)的DL模型可以實(shí)現(xiàn)骨骼肌圖像的自動(dòng)分割,并有助于肌少癥的診斷。遺憾的是,這項(xiàng)Meta分析納入的文獻(xiàn)存在顯著的發(fā)表偏倚并且異質(zhì)性較高,基于影像學(xué)的DL模型的穩(wěn)定性和精確度仍需要未來研究進(jìn)一步驗(yàn)證。

1.2 臨床預(yù)測(cè)模型 臨床預(yù)測(cè)模型可以用于評(píng)估受試者患有肌少癥的概率,以盡早提供針對(duì)性的干預(yù)措施。Bae等[15]基于韓國(guó)65歲以上老年人數(shù)據(jù)建立的DL模型診斷肌少癥的準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)分別為87.55%、85.57%、90.34%及87.89%,證實(shí)了肌少癥預(yù)測(cè)模型的穩(wěn)健性與預(yù)測(cè)準(zhǔn)確性。Zhang等[16]以中國(guó)西部健康和老齡化趨勢(shì)的基線數(shù)據(jù)建立肌少癥預(yù)測(cè)模型,利用廈門老齡化趨勢(shì)數(shù)據(jù)作為外部驗(yàn)證,比較了支持向量機(jī)(support vector machine,SVM)、隨機(jī)森林(random forest,RF)、極端梯度提升(extreme gradient boosting,XGBoost)和W&D(wide &deep)4個(gè)模型在訓(xùn)練數(shù)據(jù)集和外部驗(yàn)證數(shù)據(jù)集中的性能,結(jié)果顯示W(wǎng)&D模型在2組數(shù)據(jù)集中均表現(xiàn)最佳(訓(xùn)練數(shù)據(jù)集性能:AUC=0.916;外部驗(yàn)證數(shù)據(jù)集性能:AUC=0.970)。臨床預(yù)測(cè)模型同樣可以用于預(yù)測(cè)肌少癥不良反應(yīng)發(fā)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(gòu)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(tǒng)自動(dòng)選擇合適的CT序列,自動(dòng)獲取棘旁骨骼肌面積(skeletal muscle area,SMA)和骨骼肌密度(skeletal muscle density,SMD),結(jié)果顯示較高的SMA和SMD與較低的全因死亡率風(fēng)險(xiǎn)相關(guān)[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(shù)據(jù),隨訪后發(fā)現(xiàn)其與門診病人死亡風(fēng)險(xiǎn)增加相關(guān)(HR=1.89,95%CI:1.52～2.35)。

1.3 可穿戴設(shè)備 傳統(tǒng)的肌少癥診斷方式通常需要龐大的機(jī)器,隨著傳感器領(lǐng)域的飛速發(fā)展,讓可穿戴式設(shè)備診斷肌少癥成為可能。韓國(guó)一項(xiàng)研究利用智能鞋墊和智能手機(jī)收集肌少癥病人和肌肉骨骼肌疾病病人的視頻數(shù)據(jù)并進(jìn)行AI步態(tài)分析,結(jié)果顯示AI獲得的12個(gè)姿勢(shì)變量在兩者間的差異存在統(tǒng)計(jì)學(xué)意義[19]。Kim等[20]從基于慣性傳感器的可穿戴步態(tài)設(shè)備獲得步態(tài)信號(hào),RF的統(tǒng)計(jì)結(jié)果顯示其對(duì)肌少癥的診斷準(zhǔn)確度高達(dá)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(cè)血液容積變化的一種無創(chuàng)檢測(cè)方法。最新的一項(xiàng)研究利用327名受試者的PPG信號(hào)開發(fā)了一種基于AI算法和生物醫(yī)學(xué)信號(hào)的身體肌肉百分比計(jì)算模型,可用于預(yù)測(cè)肌少癥[21]。

1.4 生物標(biāo)志物 生物標(biāo)志物同樣是肌少癥的診斷方向之一,包括影像生物標(biāo)志物和血清生物標(biāo)志物。影像生物標(biāo)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(xiàng)研究使用牛津大學(xué)視覺幾何組網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)、稠密連接網(wǎng)絡(luò)等3種卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模型,結(jié)果顯示,通過GSU對(duì)肌少癥的分類準(zhǔn)確率介于70%～80%,通過SWE對(duì)肌少癥的分類準(zhǔn)確率介于65.0%～75.0%[22]。有研究利用已發(fā)表的單細(xì)胞轉(zhuǎn)錄組生物信息技術(shù)研究開發(fā)了一個(gè)肌少癥的AI診斷模型,結(jié)果顯示其具有較高的敏感性(100.00%)、特異性(94.12%)、準(zhǔn)確性(95.83%)[23]。利用RF識(shí)別肌少癥的預(yù)測(cè)性指標(biāo),發(fā)現(xiàn)白蛋白、C反應(yīng)蛋白、維生素D和血清葉酸是肌少癥重要的血清生物學(xué)標(biāo)志物[24]。

2 AI在肌少癥治療中的作用

2.1 個(gè)性化健康照護(hù) 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(xùn)練和加強(qiáng)營(yíng)養(yǎng)。雖然生長(zhǎng)激素、蛋白質(zhì)合成代謝藥、雄激素等藥物已被證實(shí)存在療效,但仍未發(fā)現(xiàn)治療肌少癥的特效藥[25],因而肌少癥的個(gè)性化健康照護(hù)就顯得更為重要。家庭運(yùn)動(dòng)處方是抗阻訓(xùn)練中重要的非藥物治療途徑,遺憾的是,相關(guān)研究顯示其依從性僅為40%[26]。有賴于NLP的進(jìn)步,AI技術(shù)開發(fā)的遠(yuǎn)程遙控系統(tǒng)可以幫助醫(yī)患雙方更好地掌握治療進(jìn)展,進(jìn)而提高依從性。在肌少癥健康教育方面,Liao等[27]將護(hù)理指導(dǎo)納入基于AI的移動(dòng)應(yīng)用程序中,結(jié)果顯示,干預(yù)3個(gè)月后,研究對(duì)象對(duì)肌少癥知識(shí)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(fù)鍛煉指導(dǎo) 抗阻訓(xùn)練是肌少癥治療中的重要環(huán)節(jié)。一項(xiàng)Meta分析評(píng)估了長(zhǎng)期漸進(jìn)式阻力訓(xùn)練干預(yù)治療肌少癥的效果,結(jié)果顯示病人干預(yù)后起立-行走試驗(yàn)、步速、簡(jiǎn)易機(jī)體功能評(píng)估法和6 min步行測(cè)試結(jié)果均有顯著改善[28]。但不正確的鍛煉姿勢(shì)會(huì)導(dǎo)致無效鍛煉甚至受傷,最佳的解決方案是邀請(qǐng)教練進(jìn)行指導(dǎo),然而高昂的費(fèi)用卻限制了這一方案的應(yīng)用。AI為此提供了廉價(jià)易得的解決方案,通過深度神經(jīng)網(wǎng)絡(luò)開發(fā)的個(gè)人鍛煉助手,實(shí)現(xiàn)了AI教練對(duì)運(yùn)動(dòng)姿勢(shì)的評(píng)估與反饋。目前的研究已經(jīng)實(shí)現(xiàn)對(duì)正確蹲姿的評(píng)價(jià)[29],相信在未來,AI教練將覆蓋更多的漸進(jìn)式阻力訓(xùn)練姿勢(shì)的指導(dǎo)。

3 AI在肌少癥管理中的作用

3.1 肌少癥風(fēng)險(xiǎn)因素評(píng)估 早期預(yù)測(cè)和識(shí)別肌少癥的發(fā)生風(fēng)險(xiǎn)對(duì)于改善肌少癥預(yù)后有著重要意義。目前,肌少癥疾病風(fēng)險(xiǎn)預(yù)測(cè)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(tǒng)計(jì)學(xué)數(shù)據(jù),對(duì)ML模型(XGBoost)方面進(jìn)行訓(xùn)練以預(yù)測(cè)肌少癥,結(jié)果顯示男性和女性模型預(yù)測(cè)的AUC分別為0.746和0.762。另一項(xiàng)研究利用常用的最大似然算法如SVM、RF、Logistic回歸等訓(xùn)練數(shù)據(jù)集,對(duì)4020例≥65歲的病人進(jìn)行建模,結(jié)果顯示男性肌少癥發(fā)生的危險(xiǎn)因素包括BMI、紅細(xì)胞計(jì)數(shù)、尿素氮、維生素D、鐵蛋白、纖維攝入量、舒張壓、白細(xì)胞計(jì)數(shù)、脂肪攝入量、年齡、ALT、煙酸攝入量、蛋白質(zhì)攝入量、空腹血糖和水?dāng)z入量;女性肌少癥發(fā)生的10個(gè)最重要的危險(xiǎn)因素分別是BMI、水?dāng)z入量、白細(xì)胞計(jì)數(shù)、紅細(xì)胞計(jì)數(shù)、鐵攝入量、尿素氮、高密度脂蛋白、蛋白質(zhì)攝入量、纖維攝入量、維生素C攝入量[31]。

3.2 簡(jiǎn)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(zhì)量測(cè)量方法,但相對(duì)昂貴的價(jià)格限制了它們?cè)诩∩侔Y篩查中的使用。AI模型可以利用其他易獲得的數(shù)據(jù)替代DXA或BIA,讓簡(jiǎn)易、廉價(jià)的肌少癥篩查方案成為現(xiàn)實(shí)。最新的一項(xiàng)研究利用來自美國(guó)國(guó)家健康與營(yíng)養(yǎng)調(diào)查的數(shù)據(jù)生成的模型,可以獲取DXA的替代數(shù)據(jù)(AUC:0.88～0.90)[32]。此外,Miao等[33]通過套索回歸和10倍交叉驗(yàn)證法篩選預(yù)測(cè)指標(biāo),通過該模型預(yù)測(cè)的四肢骨骼肌質(zhì)量(appendicular skeletal muscle mass,ASM)與BIA測(cè)量的ASM具有較高的一致性,因而針對(duì)那些尚未配備BIA的社區(qū)可以采取這種算法作為60～70歲女性ASM測(cè)量的簡(jiǎn)化篩查方案。

3.3 機(jī)會(huì)性篩查 許多檢查如CT或胸部X線片都可能包含關(guān)于身體成分的額外數(shù)據(jù),但這些數(shù)據(jù)在常規(guī)的臨床中并不會(huì)使用,這實(shí)際上造成了一種浪費(fèi)。AI技術(shù)可以利用這些額外的數(shù)據(jù)提供新的價(jià)值,包括識(shí)別高風(fēng)險(xiǎn)病人以進(jìn)行精準(zhǔn)干預(yù)或者幫助低風(fēng)險(xiǎn)個(gè)體排除不必要的檢查。研究顯示,基于AI輔助CT的機(jī)會(huì)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(shù)情況下是經(jīng)濟(jì)有效的[34],另外,更建議使用CT掃描L1水平以增加機(jī)會(huì)性CT篩查的潛在收益[35]。Ryu等[36]對(duì)DL模型進(jìn)行訓(xùn)練,從胸部X線片圖像中預(yù)測(cè)四肢肌肉量、握力和30 s椅子起立測(cè)試結(jié)果,以用于肌少癥的機(jī)會(huì)性篩查。

4 總結(jié)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(fā)展為肌少癥的診斷、治療和管理帶來了更為科學(xué)有效的方式,并顯著降低公共衛(wèi)生保健成本。但目前研究中普遍存在研究對(duì)象數(shù)量和外部驗(yàn)證較少等問題,缺乏普遍適用性,未來仍需要更進(jìn)一步的多中心研究來明確AI在肌少癥中的作用。