《Communications Medicine》：Pooled two-cohort MRI body composition phenotyping with open-source deep learning
编辑推荐：
摘要翻译：背景：体重指数（body mass index, BMI）无法捕捉决定代谢健康与疾病风险的脂肪和肌肉分布差异。MRI能够无辐射地量化局部身体成分，但迄今为止，缺乏可扩展的开源工具应用于具有不同采集方案的多队列汇总分析。方法：研究人员应用MRSegme
摘要翻译：背景：体重指数（body mass index, BMI）无法捕捉决定代谢健康与疾病风险的脂肪和肌肉分布差异。MRI能够无辐射地量化局部身体成分，但迄今为止，缺乏可扩展的开源工具应用于具有不同采集方案的多队列汇总分析。方法：研究人员应用MRSegmentator这一基于nnU-Net的开源流程，对来自德国国家队列（German National Cohort，n=26,877，3 T多中心西门子）和英国生物银行（UK Biobank，n=18,974，1.5 T西门子）的45,851名成年人的内脏脂肪组织（visceral adipose tissue, VAT）、腹部皮下脂肪组织（abdominal subcutaneous adipose tissue, ASAT）、臀股脂肪组织（gluteofemoral adipose tissue, GFAT）、躯干肌群以及用于肝脏脂肪分数估计的肝脏掩膜进行量化。在两个队列中，研究人员从拼接的同相位梯度回波（gradient-echo, GRE）图像中分割出群体规模的腔室体积；肝脏脂肪分数根据纯脂肪和纯水图像计算。注释开发数据包括NAKO T2-HASTE和UKB Dixon重建。研究人员应用单一汇总模型，未进行中心特异性调整。一项单独的双阅片者一致性研究使用了来自这些注释开发序列域的50次扫描。研究人员使用广义线性混合效应模型估计了BMI调整后身体成分与心脏代谢疾病之间的关联。评估了在年龄、BMI和腰臀比之外的新增判别能力。结果：针对由UKB Dixon和NAKO T2-HASTE组成的精选人工参与开发参考的五折参与者分层内部交叉验证，平均Dice系数为0.91。在针对这些注释开发序列图像的单独50次扫描阅片者研究中，总体阅片者间Dice为0.937，总体算法-阅片者Dice为0.908。随后，经过训练的流程用于分割两个队列中拼接同相位GRE输入的腔室体积，而肝脏脂肪分数则根据纯脂肪和纯水图像计算；未在NAKO GRE上进行直接的序列匹配验证。VAT与心脏代谢疾病呈最强的正相关，而GFAT呈负相关，其中与2型糖尿病的关联最为显著（OR 0.69，95% CI 0.66至0.72）。研究人员识别出疾病特异性身体成分表型，其中2型糖尿病的特征为VAT升高、GFAT降低和肝脏脂肪增加。MRI衍生的腔室在2型糖尿病和高脂血症方面，相较于人体测量指标，适度提高了判别能力。结论：单一开源深度学习流程能够在两个队列中实现汇总身体成分表型分析，并捕捉BMI之外的脂肪和肌肉分布变化。内部交叉验证（平均Dice 0.91）和单独的双阅片者研究中的高度一致性支持注释开发序列分析，而群体规模的应用则识别出独特的疾病相关表型，并在传统人体测量学基础上提供了适度的增量判别能力。
论文解读文章
一、研究背景与问题
肥胖的临床评估长期依赖体重指数（body mass index, BMI），但BMI无法反映脂肪和肌肉的分布差异，而后者对代谢健康与疾病风险具有重要决定作用。相同BMI的个体可能因内脏脂肪、皮下脂肪、臀股脂肪及骨骼肌分布的差异而表现出截然不同的代谢特征。这种异质性限制了基于BMI的风险分层，因此亟需影像学辅助的身体成分表型分析。CT扫描已在超过10万患者中验证了身体成分分析的可行性，但其电离辐射限制了在健康筛查人群和纵向监测中的应用。MRI无辐射且软组织对比度优异，能够区分包括臀股脂肪在内的不同脂肪腔室，并可直接量化肌肉体积。然而，既往基于MRI的身体成分研究或依赖2D投影估算脂肪库，或使用无法独立验证的商业平台，缺乏可扩展的开源工具应用于具有不同采集方案和场强的多队列研究。为此，研究人员评估了MRSegmentator这一基于nnU-Net的开源流程，并将其应用于英国生物银行（UK Biobank, UKB）和德国国家队列（German National Cohort, NAKO）两个大规模队列。
二、研究设计与技术方法
研究人员开展了一项回顾性横断面研究，数据来自NAKO（n=26,877）和UKB（n=18,974），共45,851名成年人。NAKO采用3 T多中心西门子扫描仪，UKB采用1.5 T西门子系统。深度学习方法基于nnU-Net架构，使用人类参与循环的训练策略，最终开发集包含250个精选分割文件（50个NAKO T2-HASTE，200个UKB Dixon来自50名参与者的四个对比度）。五折参与者分层内部交叉验证用于评估分割性能。此外，由两名放射科医生对50次扫描进行独立分割，评估阅片者间及算法-阅片者间一致性。对于群体规模分析，两个队列均使用拼接的同相位梯度回波（gradient-echo, GRE）图像分割腔室体积，肝脏脂肪分数（liver fat fraction, LFF）由纯脂肪和纯水图像计算。统计方法包括广义线性混合效应模型、ComBat调和、逻辑回归模型及判别能力评估（AUC、cNRI等）。
三、主要研究结果
（一）分割性能与应用范围
在注释开发数据中，五折交叉验证显示平均Dice系数为0.91（范围0.85–0.96）。NAKO T2-HASTE的平均Dice为0.93，UKB Dixon四个对比度为0.89–0.92。在50次扫描的双阅片者研究中，总体阅片者间Dice为0.937，算法-阅片者Dice为0.908。随后将单一模型应用于两个队列的拼接同相位GRE图像，未进行直接的NAKO GRE序列匹配验证。
（二）队列特征与身体成分分布
UKB参与者中位年龄（63岁）高于NAKO（48岁）。两队列BMI分布相似。VAT随年龄显著增加，男性增幅（236%）大于女性（179%）。男性躯干肌体积高于女性，女性GFAT更高且年龄相关下降幅度较小。这些性别差异在所有BMI类别中均存在，表明独立于BMI的腔室脂肪和肌肉分布存在系统性变异。
（三）生活方式相关差异
在NAKO中，较高的握力和体力活动与较低VAT和较高肌体积相关。中等活动量（1000–2999 MET min/周）的参与者较活动不足者VAT Z评分更低（?0.13）。在UKB中，当前吸烟与较低ASAT和GFAT但较高VAT及LFF相关，反映吸烟者脂肪分布的改变。
（四）心脏代谢疾病关联
汇总分析显示，VAT与CAD（OR 1.12）、心力衰竭（OR 1.20）、高血压（OR 1.19）、2型糖尿病（OR 1.19）和高脂血症（OR 1.29）均呈最强正相关。GFAT与2型糖尿病（OR 0.69）、CAD（OR 0.88）、高血压（OR 0.88）和高脂血症（OR 0.87）呈负相关。肌体积与2型糖尿病、心力衰竭和高血压呈负相关。LFF与高血压、2型糖尿病和高脂血症正相关。
（五）疾病特异性表型
2型糖尿病患者表现为VAT升高（+0.45±1.31）、GFAT降低（?0.45±1.18）和LFF升高（+0.60±1.61）。高血压患者VAT较高而GFAT较低。癌症病例的差异较温和且因性别而异。基于这些模式，研究人员定义了“不利”身体成分表型（ASAT、VAT和LFF各+1 SD，GFAT和肌各?1 SD），该表型的女性高脂血症患病率比平均身体成分的男性提早近十年达到相同水平。
（六）增量判别价值
在年龄+BMI+腰臀比（WHR）模型基础上加入MRI身体成分，显著改善2型糖尿病（男女ΔAUC均为0.018）和高脂血症（男性0.016，女性0.010）的判别能力，对CAD改善较小。癌症的ΔAUC低于0.01。决策曲线分析显示添加MRI腔室具有净获益。
四、讨论与结论
研究人员指出，该研究首次以单一开源深度学习流程在两个具有不同采集协议的队列中实现了汇总身体成分表型分析。分割结果在注释开发序列上表现出较高一致性，但未对NAKO GRE群体输入进行直接序列匹配验证。VAT与心脏代谢疾病的正相关及GFAT和肌体积的负相关与既往CT及MRI研究一致，支持了观察结果的生物学合理性。MRI的独特优势在于可直接量化GFAT和躯干肌体积，且无电离辐射，适合队列研究和纵向监测。与既往使用2D投影或商业平台的研究不同，本研究执行全3D体积分割并开放源代码，具有更高的可重复性和可扩展性。
研究局限性包括横断面设计无法推断因果，疾病分类基于自我报告可能存在错分，队列主要为欧洲裔中年人，癌症数据仅来自UKB，且判别改善幅度相对温和。未来研究可整合MRI身体成分与遗传、生活方式及生物标志物数据，以建模发病结局并支持个体化风险评估。
总之，单一开源流程实现了两大队列中MRI身体成分的汇总表型分析，在注释开发数据上平均Dice达0.91，双阅片者研究显示高度一致。疾病特异性表型为横断面关联提供了转化背景，增量判别分析显示对部分代谢结局具有适度附加价值，为可扩展的MRI身体成分表型分析建立了实用框架。
