基于人工智能的肌肉超声：一种超越数量的神经疾病患者营养评估新方法

《Nutrients》：Artificial Intelligence-Based Muscle Ultrasound: A Novel Approach to Nutritional Evaluation Beyond Quantity in Neurological Patients

　　

摘要
背景：神经疾病可能通过疾病相关并发症导致营养不良，凸显了准确肌肉评估的必要性。本研究旨在评估一种基于人工智能（AI）的工具，用于量化及表征肌肉超声图像，并将其性能与常规的肌肉质量与功能评估技术进行比较。方法：这是一项前瞻性、开放标签、纵向观察性研究，纳入117例高营养风险的神经疾病成人，旨在评估营养状况与临床演变。临床评估整合了人体测量学、生物电阻抗测量法、握力、吞咽功能测试以及股直肌超声。超声图像通过一个基于AI的平台进行评估，以提取肌肉数量（股直肌横截面积（RFMA）和股直肌厚度（RFMT））及质量生物标志物（低回声区百分比（Mi），解释为肌肉；中回声区百分比（FATi），解释为肌内脂肪）。患者接受为期两年的随访以记录死亡率。结果：样本包括117例神经疾病成人（52.1%为女性），平均年龄63.01（16.14）岁。共有77例患者（65.8%）存在直接神经肌肉受累的疾病。根据全球营养不良领导倡议（GLIM）标准，73例患者（62.4%）存在营养不良，其中30例患者（25.6%）为严重营养不良。肌肉质量参数无差异，但神经肌肉受累（NM）患者的Mi百分比更低（NM：42.44（9.09）% vs. 47.36（7.74）%；p < 0.01），FATi值更高（41.91（5.71）% vs. 39.15（4.89）%）。死亡率为26例患者（22.2%）。在多变量分析中，FATi（高于中位数）（OR = 5.11（95%CI：1.26–20.67））增加了死亡风险，经年龄、神经肌肉受累、性别和Mi调整后。结论：与无神经肌肉疾病的患者相比，神经肌肉疾病患者的Mi比例显著更低，FATi比例更高。死亡率与基于AI的超声分析中更高的FATi相关。这些发现表明，AI增强成像可捕捉具有潜在预后价值的临床相关组织改变；然而，鉴于观察性数据和神经疾病的异质性，这些结论应谨慎解读。

论文解读

**研究背景与问题**
神经疾病是全球致残的首要原因，据全球疾病负担（GBD）2021研究，约34亿人受影响，每年导致1110万例死亡。营养不良是神经疾病患者的常见并发症，主要通过两种机制发生：摄入减少（吞咽困难、认知障碍、失用症、抑郁或功能受限所致）和急性/早期疾病阶段的过度分解代谢。吞咽困难是最常见的诱发因素，尤其在卒中、阿尔茨海默病、帕金森病、肌萎缩侧索硬化（ALS）和亨廷顿病中，营养不良率可达20%–67.6%。然而，神经疾病患者的身体成分特征尚不明确，部分原因是这些疾病对肌肉质量和功能的影响方式特殊。现有评估工具（如生物电阻抗、双能X线吸收法）存在局限性，且缺乏标准化。肌肉超声作为一种无创技术，可评估肌肉数量（厚度、横截面积）和质量（回声强度），但其在神经疾病人群中的证据有限，测量协议异质性大，且存在观察者间变异。人工智能（AI）的引入，尤其是基于卷积神经网络（CNN）和U-Net架构的云平台，可自动化分割股直肌区域，并通过多Otsu直方图分析分类组织成分，从而提高客观性、可重复性及诊断准确性。本研究旨在验证AI整合至肌肉超声是否能识别新的肌肉质量变量，克服当前方法学局限，并评估其长期预后价值。

**研究内容与结论**
研究人员开展了一项前瞻性、开放标签、纵向观察性研究，纳入117例高营养风险的神经疾病成人（来自巴利亚多利德大学临床医院临床营养门诊），随访两年记录死亡率。研究将AI提取的超声参数（肌肉数量：RFMA、RFMT；肌肉质量：Mi、FATi、NMNFi）与经典测量（人体测量、生物电阻抗、握力）进行比较，并分析其与死亡率、吞咽困难的关系。主要结论：直接神经肌肉受累患者（如帕金森病、运动神经元病、多发性硬化、Steinert肌强直性营养不良）的Mi显著低于无神经肌肉受累患者（如痴呆、脑瘫、卒中），而FATi和NMNFi更高。多变量分析显示，FATi（高于中位数）是死亡风险的独立预测因子（OR=5.11），经年龄、性别、神经肌肉受累和Mi调整后。吞咽困难方面，肌肉质量参数（Mi、FATi）与吞咽功能无显著关联，但肌少性肥胖（SO）是吞咽困难的独立危险因素（OR=4.86）。研究发表在《Nutrients》期刊，提示AI辅助超声可提供超越传统肌肉数量的预后信息，但需谨慎解释并验证于更大样本。

**主要技术方法**
研究采用前瞻性队列设计，样本来源为西班牙巴利亚多利德大学临床医院营养门诊，连续招募117例高营养风险的神经疾病成人。关键技术方法包括：（1）AI辅助肌肉超声：使用10 MHz线性探头在股直肌横断面采集图像，通过云平台PIIXMED^TM（基于U-Net架构的CNN）自动分割，提取肌肉数量（RFMA、RFMT）和质量（基于多Otsu算法的低、中、高回声区百分比：Mi、FATi、NMNFi）；（2）经典营养评估：人体测量（体重、BMI、臂围、小腿围）、生物电阻抗（BIA 101 Anniversary设备）测量ASMI和相位角、握力（JAMAR液压测力计）、2日膳食记录评估能量和蛋白质摄入；（3）吞咽功能评估：采用容积-黏度吞咽测试（MECV_V）和纤维内镜吞咽评估（FEES）；（4）生物化学指标：检测白蛋白、C反应蛋白（CRP）和前白蛋白；（5）预后随访：电话或病历记录两年内死亡率、住院次数和急诊就诊次数。

**研究结果**
**3.1 样本描述**：117例患者中52.1%为女性，平均年龄63.01岁。65.8%存在直接神经肌肉受累。根据GLIM标准，62.4%营养不良（25.6%严重）。59.8%存在肌力减少（dynapenia），35%符合肌少症标准，18.8%存在肌少性肥胖（SO）。性别差异显著，但肌肉质量指标无性别差异。SO患者年龄更大，Mi更低，FATi和NMNFi更高。

**3.2 不同神经疾病实体的超声参数差异**：神经肌肉受累组与无神经肌肉受累组在肌肉数量参数（RFMA、RFMT）上无差异，但神经肌肉受累组Mi更低（42.44% vs. 47.36%），FATi和NMNFi更高。在神经肌肉受累亚组中，多发性硬化患者相位角和握力最高，Mi最高；Steinert肌强直性营养不良患者握力最低，FATi最高；帕金森病患者年龄最大、体重减轻最显著。

**3.3 经典变量与AI衍生超声变量的关系**：RFMA、RFMT与人体测量指标、相位角、握力呈正相关，与生物电阻抗阻力呈负相关。Mi与更好功能表现正相关。FATi高于中位数与神经肌肉疾病独立相关（OR=3.02）。

**3.4 与结局相关的超声参数差异**：死亡患者（22.2%）年龄更大，体重减轻更多，臂围和四肢肌肉质量更低，超声显示Mi更低、FATi更高，握力更低。吞咽困难患者（通过容积-黏度测试评估）BMI和小腿围更低，但肌肉超声参数无差异，FATi反而在无吞咽困难患者中更高。SO患者吞咽困难发生率更高（45.5% vs. 24.2%）。

**3.5 新超声参数与结局的关系**：多变量分析中，FATi（高于中位数）、年龄>65岁、神经肌肉受累增加死亡风险，而性别、NMNFi和Mi无显著关联。吞咽困难分析中，SO是内镜确认吞咽困难的显著危险因素（OR=4.86），而神经肌肉受累表现为“保护”效应，可能反映转诊偏倚。

**讨论与结论**
讨论部分指出，AI辅助超声揭示了传统肌肉数量指标无法捕获的肌肉成分差异。神经肌肉受累患者肌肉质量更差，表现为低回声区减少（肌肉组织减少）和中回声区增加（脂肪浸润增多），这与既往文献中ALS、Steinert病早期肌肉结构恶化的发现一致。死亡患者肌肉质量更差，且FATi是独立死亡预测因子，与ALS中超声回声增强与预后不良的报道相符。吞咽困难与肌肉质量的关系复杂：本研究中FATi与吞咽困难无直接关联，而SO是独立危险因素，提示肌肉质量下降与脂肪蓄积共存可能共同影响吞咽功能。研究结论：AI辅助股直肌超声可评估神经疾病营养不良风险患者的身体成分，但需谨慎解读。神经肌肉疾病患者Mi比例更低、FATi和NMNFi比例更高；FATi增加与死亡风险相关，而AI衍生肌肉质量参数与吞咽困难无关。这些结果支持AI增强超声作为营养评估和风险分层的补充工具，但需在更大、更多样化的队列中进行外部验证后方可推广至临床。