基于深度学习的腹部CT身体成分测量与成人跌倒风险的关联研究

《Mayo Clinic Proceedings: Digital Health》：Associations Between Deep Learning Derived Fat, Muscle, and Bone Measures From Abdominal Computed Tomography (CT) Scans and Fall Risk in Persons 20 Years or Older

本研究针对成人跌倒风险预测难题，利用深度学习算法从腹部CT扫描中提取脂肪、肌肉和骨骼等身体成分指标，通过对3,972名20-89岁人群的长期随访发现，肌肉密度（muscle density）是跌倒风险的独立预测因子，尤其在45-64岁人群中关联最强（HR=4.98）。该研究为利用临床常规CT进行跌倒风险筛查提供了新思路。

　　

跌倒被称为"沉默的流行病"，是全球范围内意外伤害和伤害相关死亡的主要原因。随着人口老龄化加剧，跌倒及其导致的骨折、失能等问题给个人、家庭和社会带来沉重负担。虽然传统上认为跌倒主要是老年人的问题，但数据显示，年轻人和中年人的跌倒发生率也不容忽视。更令人担忧的是，目前对跌倒风险的预测和干预措施主要集中在老年群体，对中青年人群的关注不足。

现有研究表明，年龄相关的身体成分变化可能与跌倒风险有关。肥胖被认为与老年人跌倒风险适度增加相关，而骨密度降低则主要与跌倒相关骨折风险增加有关，通常不被视为跌倒本身的危险因素。肌肉质量，特别是肌肉密度，被认为与姿势控制、平衡能力和身体功能密切相关。然而，这些身体成分指标往往被单独研究，缺乏同时考察脂肪、肌肉和骨骼三者与跌倒风险关联的综合研究。

更关键的是，常规临床实践中并不系统评估身体成分，这限制了对跌倒风险的有效筛查和干预。幸运的是，腹部CT扫描在临床中相当常见（在11年期间约有35%的成年人接受过此类检查），这为"机会性筛查"提供了可能——即利用已有临床影像数据获取额外的健康信息。

为了填补这一知识空白，梅奥诊所的研究团队开展了一项创新性研究，旨在探讨基于深度学习的腹部CT身体成分测量与成人跌倒风险之间的关联。该研究最近发表在《Mayo Clinic Proceedings: Digital Health》上，为利用人工智能技术从常规医疗影像中挖掘有价值健康信息提供了重要证据。

研究人员主要运用了几项关键技术方法：首先利用罗切斯特流行病学项目（Rochester Epidemiology Project, REP）建立了代表性人群队列，包含3,972名20-89岁无跌倒史的参与者；开发了基于U-Net卷积神经网络的深度学习算法，从腹部CT图像中自动分割和量化皮下脂肪组织、内脏脂肪组织、骨骼肌和骨骼等多种身体成分；采用国际疾病分类（ICD）代码结合人工病历审核的方式准确识别跌倒事件；使用Cox比例风险模型评估身体成分指标与跌倒风险之间的关联，并调整了体重指数和18种慢性疾病的影响。

研究结果部分，通过系统的数据分析，团队得出了多项重要发现：

在"研究人群特征"方面，研究纳入了3,972名参与者，中位随访时间6.7年。期间共发现321例经过验证的跌倒事件，其中6%的参与者发生过一次跌倒，2%发生过两次及以上跌倒。跌倒原因随年龄变化显著：20-44岁人群中85%的跌倒为事故所致，而65-89岁人群中64%的跌倒与衰弱或认知问题相关。

"身体成分与跌倒风险关联"的结果显示，皮下脂肪面积、内脏脂肪面积、肌肉面积、骨面积和骨密度与跌倒风险无显著关联（所有调整后p>0.05）。然而，肌肉密度与跌倒风险存在显著关联：与中间三分位数组相比，最低肌肉密度组的跌倒风险增加2.31倍（95% CI：1.70-3.14），而最高肌肉密度组的风险降低37%（HR=0.63，95% CI：0.44-0.92）。

"年龄分层分析"揭示了肌肉密度与跌倒风险的关联存在年龄差异。在45-64岁中年人群中，最低肌肉密度组的跌倒风险增加近5倍（HR=4.98，95% CI：2.80-8.85），这一关联强度明显高于65-89岁老年人群（HR=1.56，95% CI：1.05-2.31）。在20-44岁年轻人群中，肌肉密度与跌倒风险的关联未达到统计学显著性。

研究结论与讨论部分强调了几个关键点：肌肉密度，而非肌肉面积，是跌倒风险的独立预测因子，这一发现挑战了传统上以肌肉量为核心的身体成分评估理念。特别值得注意的是，肌肉密度与跌倒风险的最强关联出现在中年人群（45-64岁），而非传统关注的老年群体，这提示肌肉质量下降可能在相对较早的年龄阶段就开始影响身体功能。

从临床实践角度看，该研究的价值在于证实了利用常规腹部CT进行"机会性筛查"的可行性。医生可以在不增加额外检查的情况下，通过现有CT数据评估患者的肌肉健康状况，早期识别跌倒高风险个体。对于中年人群而言，这一发现尤为重要，因为在此阶段进行干预可能更有效地预防随年龄增长而加剧的跌倒风险。

然而，研究也存在一定局限性，如仅能识别需要医疗关注的跌倒事件，可能低估了总体的跌倒发生率；缺乏直接的肌肉功能测量数据；部分CT扫描可能使用了造影剂，可能影响肌肉密度的准确测量。此外，研究人群主要来自美国中西部，其结果的普适性需要在其他人群中进一步验证。

这项研究的重要意义在于将人工智能技术与临床医学需求紧密结合，为预防医学提供了新工具。通过深度学习算法从常规CT中提取的身体成分信息，特别是肌肉密度指标，有望成为评估跌倒风险的有效生物标志物。更重要的是，该研究将关注点从传统的老年群体扩展至中年人群，强调了在生命早期阶段关注肌肉健康的重要性。未来研究可以进一步探索如何将这一发现转化为具体的临床干预策略，以及如何将腹部肌肉密度测量与下肢肌肉评估相结合，更全面地评估跌倒风险。

这项研究为利用人工智能挖掘临床影像数据的潜在价值提供了示范，也为开发个性化的跌倒预防策略奠定了基础。随着人工智能技术在医学领域的深入应用，类似的机会性筛查方法有望在更多疾病预防和健康管理场景中发挥重要作用。