《Aging Clinical and Experimental Research》：Psoas muscle volume as a diagnostic indicator for sarcopenia: criteria development and comparison with traditional diagnostic approaches
编辑推荐：
本研究旨在解决肌少症精准诊断难题。研究人员基于计算机断层扫描(CT)图像，利用深度学习算法自动分割腰大肌体积(PV)，并与生物电阻抗分析法(BIA)测得的四肢骨骼肌量(ASM)指数进行相关性分析，最终建立了基于PV的CT诊断标准。结果表明，PV/BMI指数诊断效能最高，且T值调整为-2.0时与已知患病率更匹配。该研究为通过腹部CT进行机会性筛查、实现肌少症的早期人群筛查提供了实用工具。
随着年龄增长，身体肌肉会悄然流失，这种与增龄相关的肌肉量减少、肌肉功能下降的综合征，被称为肌少症(Sarcopenia)。它不仅严重影响老年人的生活质量，导致虚弱、跌倒风险增加，更是多种健康问题的“催化剂”。然而，如何准确、便捷地诊断肌少症，一直是临床实践和公共卫生领域面临的挑战。传统的诊断方法，如生物电阻抗分析(Bioelectrical Impedance Analysis, BIA)或双能X线吸收测量法(Dual-energy X-ray Absorptiometry, DXA)，虽广泛应用，但存在便携性、成本或辐射暴露等方面的局限。有没有一种方法，能够利用临床上更常进行的检查来“顺便”评估肌肉状况，从而实现高效、大范围的筛查呢？一项发表在《Aging Clinical and Experimental Research》上的研究，将目光投向了腹部计算机断层扫描(Computed Tomography, CT)——这种在体检和疾病诊断中极为常见的影像学检查，试图从中挖掘出诊断肌少症的新指标。
为了回答这个问题，研究团队开展了一项大规模横断面研究。他们纳入了3999名年龄在22至89岁之间的成年人（男性2085人，女性1914人），这些受试者均同时接受了腹部CT扫描和BIA检查。研究的核心是分析受试者腰大肌(Psoas Muscle)的体积(PV)。腰大肌是躯干重要的核心肌群，其体积与全身肌肉量密切相关。研究人员采用了一种深度学习(Deep Learning)算法，对CT图像中的腰大肌进行自动分割和体积计算，这大大提高了测量的客观性和效率。随后，他们系统分析了PV的人群分布规律，评估了PV与BIA测得的四肢骨骼肌量(Appendicular Skeletal Muscle Mass, ASM)指数（如ASM/身高2、ASM/BMI）之间的相关性。最终，他们通过三种统计学方法——线性回归、受试者工作特征(ROC)曲线分析和T值分析，建立了一套基于CT腰大肌体积诊断肌少症的新标准。
本研究主要应用了以下几项关键技术方法：首先，研究队列包含了3999名同时接受腹部CT和BIA检查的成年人。其次，核心技术是使用深度学习算法对CT图像进行自动分割，以精确计算腰大肌体积(PV)。最后，通过线性回归、ROC分析和T值分析等统计学方法，建立并验证基于PV的诊断标准。
研究结果
腰大肌体积(PV)的年龄与性别分布
研究揭示了PV指数随年龄变化的规律。无论是男性还是女性，PV指数均在30多岁时达到峰值，此后随年龄增长而下降，且男性下降的幅度更为显著。这一分布模式与肌肉随增龄而流失的普遍认知相符，为将PV作为衰老相关肌肉丢失的生物标志物提供了依据。
PV与ASM指数的相关性
分析显示，腰大肌体积与通过BIA测得的四肢骨骼肌量指数存在强相关性。在各种PV衍生指标中，PV/身体质量指数(Body Mass Index, BMI)指数与ASM指数的相关性最强。这意味着，在考虑了体型大小（BMI）的影响后，PV能更准确地反映相对肌肉量状况。
诊断标准的建立与验证
研究人员通过三种方法确立了诊断界值。其中，基于T值分析的方法，即参照年轻、非肌少症成年人的PV均值，将诊断阈值设定为低于均值2.0个标准差(T-score < -2.0)时，所得的肌少症患病率与已知的人群流行病学数据更为匹配。ROC分析进一步证实，在所有指标中，PV/BMI指数对于诊断肌少症具有最高的诊断准确性(AUC值最高)。
结论与讨论
本研究首次系统建立了基于CT腰大肌体积(PV)诊断肌少症的标准。核心结论包括：首先，腰大肌体积随增龄而减少，其变化趋势具有明显的年龄和性别特征。其次，PV，尤其是经过BMI校正的PV/BMI指数，与金标准之一的ASM指数高度相关，显示出作为替代指标的可靠性。最后，将T值阈值设定为-2.0时，基于PV的诊断标准能够更合理地反映人群中的肌少症患病情况。
这项研究的意义重大。它成功地将一种常见的影像学检查——腹部CT，转化为一个潜在的、实用的肌少症筛查工具。在临床中，许多患者由于各种原因（如体检、腹痛、肿瘤筛查等）会接受腹部CT扫描。这项研究提示，利用这些“现成”的CT图像，通过自动化的深度学习算法分析腰大肌体积，可以实现对肌少症的“零附加成本”机会性筛查(Opportunistic Screening)。这为在更广泛的人群中早期识别肌少症高危个体、及时进行干预以改善预后提供了全新的、可操作性强的途径。该研究标志着肌少症的客观影像学诊断向前迈进了一步，有望推动肌少症诊疗的早期化和普及化。
