基于深度学习模型的超声数据预测骨骼肌密度研究：概念验证及临床转化潜力

为解决超声评估肌肉营养状态依赖操作者经验、测量变异性大的问题，来自某机构的研究团队开发了基于CT校准的深度学习模型，利用L11-3 MHz探头采集的1090张腹直肌超声图像，实现70%分类准确率及0.79-0.90的AUC值，为肌肉功能评估提供自动化新工具。

　　

肌肉质量与功能下降与发病率、死亡率升高密切相关。虽然超声(US)具备成本效益高、便携等优势，但由于依赖操作者技能及存在测量变异，其在肌肉营养状态评估中仍未充分应用。这项概念验证研究突破性地开发了深度学习模型，通过超声数据预测计算机断层扫描(CT)定义的肌肉密度值，探索超声评估肌肉营养状态的新参数。

研究纳入2022年5月至2023年3月期间某机构急诊科接受CT检查的成年患者，采用L11-3 MHz探头横向扫描腹直肌(每侧采集1幅US图像)。由同一操作者选取与US扫描平面匹配的CT轴位图像，以亨氏单位(HU)计算目标肌肉平均密度值。

最终数据集包含551名受试者(平均年龄67±17岁，男性323例)的1090幅US图像。开发的深度学习模型根据CT值将US图像分为三个肌肉密度等级，表现出色：分类准确率达70%，三类AUC值分别为0.89、0.79和0.90。

该观察性研究开创了超声影像自动评估肌肉营养状态的新范式。未来研究需在多样化人群中进行外部验证，并将应用拓展至其他肌肉群评估。