摘要
背景
肌肉超声为肌少症评估提供了一种便携、无创且经济有效的选择，但操作者依赖性限制了其标准化。人工智能（AI）可能有助于实现基于超声的肌肉评估的自动化并提升其水平。本范围综述旨在描绘AI辅助超声评估肌少症的当前研究格局，包括研究趋势、方法、临床应用与性能，并提出未来工作建议。
方法
遵循Joanna Briggs Institute指南和PRISMA-ScR清单，我们检索了PubMed、Embase、Web of Science、Cochrane Library、CINAHL、ProQuest、CNKI、万方数据、维普、VIP和Sinomed数据库，检索截止日期为2026年7月25日。两名研究者独立筛选文献并提取数据。
结果
共纳入30项研究。该领域发展迅速，76.7%的研究发表在过去3年内，主要来自西班牙和中国。模型开发与验证研究（43.3%）最为常见。U-Net及其变体是主要的AI架构，主要用于图像分割。B型超声配合高频线阵探头被频繁使用。股直肌是肌少症评估中最常检查的肌肉（73.3%）。AI整合模型用于肌少症诊断的AUC为0.640–0.950。报告的肌肉分割Dice系数范围为0.73至0.99。66.7%的研究使用自建数据集，全局分类标签是最常用的标注策略（46.7%）。
结论
AI辅助超声在客观、可扩展的肌少症评估方面显示出潜力，但仍处于早期阶段。图像采集中的操作者依赖性问题尚未完全解决。未来研究应探讨整合多模态成像、结合多样化AI技术及评估多个肌肉群的附加价值。后续工作应深化图像处理策略以提取临床相关特征，并推动在临床实践中标准化、可扩展的实施。
总结
-
要点
- ○
人工智能辅助超声评估肌少症的研究正在快速发展，76.7%的研究发表在过去3年内，但该领域仍处于起步阶段。
- ○
U-Net及其变体是主要的AI架构，主要用于图像分割；B型超声配合高频线阵探头被频繁使用，股直肌是肌少症评估中最常检查的肌肉。
- ○
尽管AI辅助超声已展现出令人瞩目的诊断和分割能力，但操作者依赖性问题依然存在，亟需进一步标准化和外部验证。
- ○
-
本文为何重要？
- ○
本范围综述综合了AI辅助超声评估肌少症的现状，强调其在客观、可扩展评估中的潜力，并指出了当前的局限性及未来方向，以指导针对老年肌少症患者的有效实施。
- ○
利益冲突声明
作者声明不存在利益冲突。
