人体组成（BC）量化了肌肉和脂肪组织的比例，与传统上常用的体重指数（BMI）近似。 BMI用于定义患者超重和肥胖的标准，是健康和疾病风险的循证指标。但是，BMI对识别多余脂肪组织的特异性很低，其与脂肪组织的相关性随性别、年龄和种族的不同而有很大差异。

为了更准确地评估BC，通常使用的方法是以第三腰椎椎体（L3）水平的轴位CT图像为基础进行分析。L3层面与全身骨骼肌（SM）、内脏脂肪（VF）和皮下脂肪（SF）的体积具有良好的相关性。SM、VF和SF的面积与多种疾病相关，因此对这几项指标的快速、准确的测量十分关键。然而，通过手动测量进行BC分析耗时耗力，且主观性强，很难在临床上常规应用。

近日，发表在Radiology杂志的一项研究开发了一个使用深度学习腹部CT检查计算BC参数的全自动BC分析流程并验证了其有效性，并定义了年龄、性别和种族的标准化BC参考曲线，同时证明了使用这些曲线与标准方法相比的优势以及在预测生存方面的生物学意义。

经过外部验证和人工分割的等效测试后，一个全自动深度学习BC分析流程应用于横断面人群队列，包括2012年在三家医院之一接受腹部CT检查的无心血管疾病或癌症的门诊患者。在每个BC地区生成人口调整参考曲线。使用χ2检验将这些曲线得出的z评分与性别特异性肌少症阈值进行比较，并在包括体重和体重指数（BMI）的多变量Cox比例风险模型中预测2年生存率。

外部验证显示，全自动深度学习BC分析方法与手动分割之间的出色相关性（R = 0.99）和等效性（P <.001）。使用来自12128名门诊病人（平均年龄52岁；6936 [57％]名女性）的全自动BC数据，生成了年龄、种族和性别的标准化BC参考曲线。所有BC区域均因这些变量而发生显著变化（P <.001，但皮下脂肪区域与年龄的关系除外[P = .003]）。肌肉减少症的性别特定阈值表明，如果使用从参考曲线得出的z得分，则不存在年龄和种族的偏差（P <.001）。在包括BMI的组合模型中，骨骼肌面积z得分可显著预测2年生存率（P = .04）。

图1 人体组成参数按种族和性别分布。盒须图显示:A，骨骼肌面积，B，内脏脂肪面积，C，皮下脂肪面积，D，骨骼肌指数，E，内脏脂肪指数，F，门诊人群的皮下脂肪指数。白人非西班牙裔女性(红色)，黑人女性(橙色)，白人非西班牙裔男性(黄色)，黑人男性(绿色)。

图2 条形图显示了按标准方法分类为具有不同年龄和种族类别的肌肉减少症的患者的比例，其中性别特异性骨骼肌指数（SMI）阈值用于计算肌肉减少症（占患者总数的35％）与骨骼肌指数z得分阈值 20.40（代表年龄、种族和性别（虚线）的人口的35％）的比较。

本研究表明，全自动人体组成(BC)指标因年龄、种族和性别而有显著差异。与标准方法相比，由BC参数参考曲线得出的z分数可以更好地捕捉BC的人口分布的特点并有助于预测患者生存，对未来的研究和临床应用提供了一个全新的预测指标。

原文出处：

Kirti Magudia,Christopher P Bridge,Camden P Bay,et al.Population-Scale CT-based Body Composition Analysis of a Large Outpatient Population Using Deep Learning to Derive Age-, Sex-, and Race-specific Reference Curves.DOI:10.1148/radiol.2020201640