基于术前CT定量下肢肌肉质量及诊断全身肌肉流失的新方法在髋部疾病患者中的应用

《International Journal of Computer Assisted Radiology and Surgery》：Lower-limb muscle mass quantification and whole-body muscle loss detection using preoperative computed tomography images in patients with hip disease

本研究针对髋部疾病患者，开发了利用术前CT图像定量下肢肌肉质量（CT-MM）以替代双能X射线吸收测定法（DXA-LMleg）的新方法。来自多机构的研究团队通过深度学习自动分割肌肉，并评估了CT-MM诊断全身肌肉流失（肌少症核心指标）的效能。结果显示，CT-MM与DXA-LMleg强相关（rs最高达0.96），且对全身肌肉流失具有高诊断准确性（AUC最高达0.97），为利用常规CT进行肌少症筛查和术前决策提供了有力支持。

　　

这项研究旨在解决一个临床难题：如何利用患者因髋部疾病手术规划而常规拍摄的计算机断层扫描（Computed Tomography, CT）图像，来精准量化下肢肌肉质量，并进而检测全身性的肌肉流失——这是诊断肌少症（sarcopenia）的关键一环。

研究人员设计了一种基于深度神经网络（Deep Neural Network, DNN）的自动化方法，对用于手术规划的下肢CT图像进行肌肉分割。他们采用了两种不同的密度转换方法来计算CT衍生的肌肉质量（CT-MM）：一种是传统方法（CT-MM1），另一种是Aubrey等人提出的方法（CT-MM2）。研究团队将这两种CT-MM指标与作为参照标准的双能X射线吸收测定法（Dual-energy X-ray Absorptiometry, DXA）所测得的下肢瘦体重（DXA-LM_leg）进行了相关性比较，并通过受试者工作特征（Receiver Operating Characteristic, ROC）曲线分析，评估了CT-MMs在诊断全身肌肉质量（Muscle Mass, MM）流失方面的准确性。

这项回顾性研究纳入了来自两家机构的227名接受髋部手术的患者。在成功完成自动分析的222个病例中，分析结果显示，CT-MM1与DXA-LM_leg之间存在极强的相关性（斯皮尔曼相关系数r_s = 0.92–0.96），CT-MM2与DXA-LM_leg之间也显示出强相关性（r_s = 0.86–0.92）。更重要的是，ROC曲线分析表明，两种CT-MM方法在诊断全身肌肉流失方面都表现出很高的诊断准确性，其中CT-MM1的曲线下面积（Area Under the Curve, AUC）达到了0.96–0.97，CT-MM2的AUC为0.91–0.93，并且CT-MM1的性能显著优于CT-MM2。

综上所述，这项研究证实，通过术前CT图像计算得到的肌肉质量（CT-MMs）与金标准DXA测量值高度一致，并且在检测全身肌肉流失方面表现出卓越的诊断性能（AUC > 0.9）。这一发现有力地支持了在临床实践中，利用常规获取的CT扫描来进行肌少症的筛查和辅助术前临床决策的可行性。