综述：人工智能驱动的骨科老年肌少症评估：技术进展与临床意义

《Frontiers in Endocrinology》：Artificial intelligence-driven assessment of sarcopenia in orthopedic geriatrics: technical progress and clinical implications

这篇综述系统阐述了AI（特别是深度学习）如何革新老年骨科肌少症（Sarcopenia）评估。传统的双能X线吸收测量法（DXA）在急性骨科场景中常不适用，而AI能够基于常规临床影像（如CT、MRI）进行自动化、高通量的“机会性筛查”。通过卷积神经网络（CNN）可实现肌肉数量与质量的专家级分割（Dice相似系数>0.94）。AI提取的肌肉指标是术后并发症、功能恢复及死亡率等不良结局的强力独立预测因子。通过整合至临床决策支持系统（CDSS），AI助力骨科老年护理从被动骨折管理转向主动预防与干预。尽管在技术标准化、生物学变异及模型可解释性方面仍存挑战，但AI驱动的评估正将老年骨科护理从主观评估转向精准、客观的量化。

　　

在老龄化社会中，肌少症（Sarcopenia）——一种以进行性骨骼肌质量、力量和功能丧失为特征的疾病，已成为老年骨科领域的重大挑战。在手术人群中，其患病率可高达48.7%。肌少症与跌倒、二次骨折、术后并发症及死亡率风险增加密切相关。然而，在急性骨科场景（如髋部骨折）中，传统的诊断“金标准”如双能X线吸收测定法（DXA）和生物电阻抗分析（BIA）常因患者无法移动、体位限制及术后体液失衡而难以实施，导致大量患者漏诊。人工智能（AI）的兴起，特别是深度学习技术，为解决这一诊断困境提供了革命性方案。

从“零成本”初筛到精准影像评估

面对诊断缺口，一个分层级的AI应用策略应运而生。首先，对于无现成影像学资料的人群，可采用基于“零成本”人体测量学变量（如小腿围、体重/BMI、握力）的机器学习（ML）算法进行初步筛查。这些模型能有效预测肌肉质量，将人群分层，将“高风险”个体导向更精确的评估。其次，对于已因其他原因（如创伤评估）接受了CT或MRI检查的患者，AI可以实现“机会性筛查”。这利用现有影像，无需额外扫描或辐射暴露，是AI应用的核心优势。深度学习模型，特别是U-Net等卷积神经网络（CNN），能够在秒级时间内自动、精准地分割骨骼肌，其分割精度（Dice相似系数）常超过0.94，达到专家水平。这取代了以往耗时费力（每人15-20分钟）的手动逐层分割，使大规模筛查成为可能。

技术核心：量化肌肉的“量”与“质”

AI评估的核心在于精确量化肌肉数量与质量。第三腰椎（L3）水平是CT评估全身骨骼肌质量的公认标准位置。AI模型可自动计算此处的骨骼肌横截面积（CSA）并衍生出骨骼肌指数（SMI，即CSA/身高²），用于诊断肌少症（常用临界值：男性<55 cm²/m²，女性<39 cm²/m²）。更重要的是，AI能评估肌肉质量，即肌内脂肪浸润（肌脂肪变性，Myosteatosis）。通过分析肌肉区域的CT衰减值（亨氏单位，HU），AI可以区分正常肌肉与脂肪浸润肌肉。正常衰减肌肉面积（NAMA，+30至+150 HU）与总肌肉面积的比值是指示肌肉质量的重要指标。肌肉质量的下降低常比单纯肌肉数量减少具有更强的预后预测价值。此外，研究也关注骨与肌肉之间的紧密关联——“骨肌减少症”（Osteosarcopenia），即骨质疏松与肌少症共存，二者通过肌因子（如鸢尾素）和骨因子（如骨钙素）进行双向生化信号对话，其共同存在会协同放大临床风险。

骨科场景中的机会性应用与临床预测价值

AI驱动的肌少症评估已渗透到多个骨科亚专科，展现出强大的临床预测能力。

• •
  创伤与髋部骨折：利用急诊骨盆/腹部CT，AI可自动分析腰大肌密度或骨骼肌指数。低肌肉质量/数量是强有力的死亡预测因子，可使老年髋部骨折患者1年死亡风险增加3.11倍，并预测住院时间延长和感染风险。
• •
  退行性脊柱手术：术前腰椎MRI/CT显示的椎旁肌（如多裂肌）脂肪浸润，与术后持续性腰背痛、更高残疾评分及“失败背部手术综合征”（FBSS）风险显著相关。AI可自动量化脂肪浸润程度，为手术决策提供参考。
• •
  择期关节置换术（髋/膝）：术前通过AI评估肌肉状况，可识别肌少症患者。这些患者在人工关节置换术后并发症风险更高（如感染、输血需求），功能恢复更慢，出院后行走速度也更慢。
  这些多场景应用，使得常规影像数据被赋予了新的预后分层价值。

具体而言，AI提取的肌肉指标是多种不良结局的强力预测因子：1）手术结局：与住院时间延长、手术部位感染和再入院率升高相关；2）功能恢复：可预测术后长期步速和独立性恢复情况，肌少症患者功能恢复更差；3）死亡率预测：肌肉质量指标是老年创伤患者1年死亡率的独立预测因子。通过整合这些多维指标，AI能够构建综合风险分层模型，为个性化围术期管理提供依据。

从预测到行动：临床决策支持与工作流程整合

AI评估的最终价值在于改变临床实践。通过将自动化体成分算法嵌入影像归档和通信系统（PACS），可以在不增加放射科医生工作量的情况下，生成“零点击”结构化报告。当患者肌肉指标超过肌少症阈值时，系统可触发电子病历（EMR）实时警报，通知初级保健医生、专科医生和护理导航员，从而启动及时的营养咨询、运动计划和跌倒预防等多学科干预路径。这标志着老年骨科护理范式从被动的骨折治疗转向主动的风险分层和预防。

当前挑战与未来方向

尽管前景广阔，AI驱动肌少症评估的临床推广仍面临挑战：1）技术瓶颈：不同CT厂商、扫描协议（如管电压、对比剂）导致亨氏单位（HU）测量存在显著差异，缺乏统一的“低肌肉质量”HU诊断阈值；2）生物学变异：肌肉分布和成分存在种族、性别和年龄组差异，要求AI模型具备普适性或进行人群特异性校准；3）实施障碍：与现有临床工作流程（PACS/EMR）的整合困难，且深度学习模型的“黑箱”特性影响了临床医生的信任和模型的可解释性；4）伦理与法律考量：机会性筛查带来的偶发发现、责任归属和医疗事故责任问题。

展望未来，研究方向包括：1）多模态AI融合：结合影像标志物、临床衰弱评分和生化标志物，构建全面的“肌少症指数”；2）纵向监测：利用AI追踪患者术后康复阶段的肌肉变化，指导个性化康复；3）床旁AI：开发集成AI的手持式超声设备，用于骨科病房的快速床旁肌肉评估。

结语

总而言之，AI驱动的肌少症评估代表着老年骨科护理从主观、定性评估向客观、定量分层的根本性转变。通过“零成本”初筛与精准影像评估相结合的策略，AI不仅优化了医疗资源配置，更通过整合至临床决策支持系统，将预警与干预前置，实现了从“ reactive 治疗骨折”到“ proactive 预防残疾”的范式演进。尽管前路仍有标准化与整合的挑战待解，但多模态AI框架无疑为实现公平、个性化、主动的老年骨科护理开启了充满希望的新篇章。