文献速递腹部技术与安全CT

前瞻性研究中单层腹部CT与生物电阻抗分析体成分分析的一致性

Concordance between single-slice abdominal computed tomography-based and bioelectrical impedance-based analysis of body composition in a prospective study.
PubMed 文献 · Eur Radiol · 2025-06-19

该前瞻性单中心研究纳入210例连续患者,在CT扫描前进行生物电阻抗分析,并利用AI工具在L3层面自动分割CT图像进行体成分分析。结果显示,CT与BIA在脂肪和肌肉组织参数上呈强相关,基于CT的指数可预测BIA指数,Bland-Altman图显示体脂百分比一致性良好。作者认为,对于已接受腹部CT的患者,额外的BIA似乎不必要。

要点

  • CT与BIA在脂肪和肌肉组织参数上呈强相关,女性脂肪r=0.95、肌肉r=0.72,男性脂肪r=0.91、肌肉r=0.71(均p<0.001)。
  • 基于CT的体脂指数和腰椎骨骼肌指数可预测BIA的体脂百分比和骨骼肌指数,回归分析有统计学意义(p<0.001)。
  • Bland-Altman图显示BIA与CT预测的体脂百分比一致性极好,仅4.76%(10/210)落在一致性界限外。

核心结论

  • CT-based BCA与BIA结果强相关,可提供与现有金标准相当的体脂百分比和骨骼肌指数定量结果。
  • 作者认为,对于已接受腹部CT作为临床检查一部分的患者,额外的BIA似乎不必要。

研究设计与样本

  • 前瞻性单中心研究,纳入210例连续患者(平均年龄60±14岁,范围19至91岁;男性55%,女性45%),于2021年5月至7月入组。
  • 所有患者在CT扫描前立即接受BIA(InBody 770),CT采用GE Revolution HD设备,协议为100 kVp、20–120 mA、重建层间隔1.25至5 mm,使用单层AI工具在L3层面自动检测和分割。
  • 参考标准为BIA,CT-based BCA使用内部和外部验证过的AI工具(Visage version 7.1,基于U-net卷积神经网络),所有分割由经验超过5年的放射科医生检查,无需手动修正。

关键影像表现/征象

  • AI工具自动定位L3层面并分割皮下脂肪、内脏脂肪、腰大肌和骨骼肌,以不同颜色编码,无需手动调整。
  • 基于CT的体成分参数包括皮下脂肪面积(SATACT)、内脏脂肪面积(VATACT)、总腹部肌肉面积(TAMACT),并计算腰椎骨骼肌指数(LSMICT)和体脂指数(BFICT)。

诊断标准与关键数值

  • 脂肪参数BFMBIA与SATACT+VATACT在女性r=0.95、男性r=0.91(p<0.001);肌肉参数SMMBIA与TAMACT在女性r=0.72、男性r=0.71(p<0.001)。
  • 线性回归:脂肪R²=0.73(女性)和0.74(男性);肌肉R²=0.56(女性)和0.56(男性),均p<0.001。
  • SMIBIA与LSMICT相关系数r=0.81,BFPBIA与BFICT相关系数r=0.79(p<0.001);回归R²分别为0.66和0.62(p<0.001)。
  • Bland-Altman图显示BFP一致性极好,4.76%(10/210)在一致性界限外,平均差异−4.57+0.16*平均值。

临床应用与阅片要点

  • 本研究中心使用全自动AI工具在PACS中集成进行CT-based BCA,分割结果由放射科医生检查,本队列中无需手动修正。
  • 作者认为CT-based BCA可融入临床常规,利用临床指示的CT图像进行机会性筛查,无需额外BIA资源。
  • 作者指出,对于无法进行BIA的患者(如植入心脏设备者),CT-based BCA可提供替代评估。

局限性

  • 本研究为单中心设计,限制了结果的普适性,患者人群可能不能完全代表其他地区或医疗环境。
  • 研究人群中癌症患者比例高,可能影响体成分参数及其相关性。
  • 使用单一AI工具可能引入软件算法特异性偏倚,在不同临床环境或使用不同工具时性能可能不同。
  • 作者指出,将结果外推至多样人群或环境时应谨慎,需要进一步多中心研究验证。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2025 Jun 19;35(12):8000–11. doi: 10.1007/s00330-025-11746-3

引言

尽管影像学研究有助于机会性筛查,但其全部潜力尚未实现。影像信息最具相关性的机会性用途之一是身体成分分析(BCA)。BCA测量人体中肌肉、骨骼和脂肪组织的分布,越来越多地用于识别肌肉减少症、恶病质和肌肉脂肪变性等病理状态[1–3]。虽然体重指数(BMI)广泛用于初步风险评估,但它不能提供构成一个人总体重的不同组织类型的相对比例信息。因此,两名性别和年龄相同的患者可能具有相同的体重和BMI,但其身体成分以及脂肪和肌肉组织的相对量可能完全不同[4, 5]。

BMI的替代方法是生物电阻抗分析(BIA),它通过从体重中减去无脂肪体质量来区分无脂肪体质量和体脂量。通过计算机断层扫描(CT)和磁共振成像(MRI)等技术获得的影像数据集可通过分割来量化不同的组织类型。已经提出了几种使用影像分析身体成分的方法。最初,腰大肌分割被用作指标,但由于单一肌肉简化测量的局限性,在此期间已建立了更精细的分割方法,L3水平脂肪和肌肉组织的单层分割已成为最常用的基于影像的BCA方法[6–8]。该方法区分肌肉与内脏脂肪和皮下脂肪的相对比例,并由此产生了腰椎骨骼肌指数(LSMI),该指数用身高对基于肌肉的测量进行标准化,可用于检测肌肉减少症[9]。

BCA可以识别虚弱患者,例如那些患有肌肉减少症或肌肉减少性肥胖的患者,他们可能BMI正常但表现为肌肉量减少和肥胖[10]。BCA的临床相关性已在多项研究和临床场景中得到证实,并且已开发了多种用于基于影像的BCA的分割方法,其中一些使用人工智能(AI),以自动化原本耗时的手动分割[11–15]。然而,这些研究大多为回顾性研究,需要以既定标准验证基于CT的BCA[16]。本前瞻性研究假设基于AI的CT图像分割在评估非选择性成人队列的身体成分方面等效于既定的BIA。我们前瞻性地分析并比较了接受常规临床CT成像的患者中使用基于AI的CT图像分割和BIA进行的BCA。

材料和方法

研究设计

在这项前瞻性单中心研究中,我们使用基于AI的CT图像分割和BIA分析身体成分。根据预定义标准(图1),连续转诊接受非急诊腹部CT扫描的患者被纳入研究。本研究经机构审查委员会批准(参考编号:EA1/094/22),并按照赫尔辛基宣言进行。

图1 描述本研究纳入和排除标准的流程图 查看原图 ↗

患者招募和图像采集

我们纳入了接受包括全腹部在内的预定增强CT扫描、且能够独立站立的成年患者(18岁及以上)。患者在2021年5月至2021年7月期间入组,未进行任何基于疾病的预筛选,排除了那些存在时间紧迫的医疗紧急情况、植入心脏装置、人工耳蜗、妊娠以及一个或多个肢体截肢的患者,因为这些患者不能或不应接受生物电阻抗分析(BIA)。无法在无帮助情况下直立站立并双手握住BIA控制器约60秒的患者也被排除。在CT成像之前,向患者告知了研究的目的、设计、时间顺序和潜在益处,并提供了参与的机会。这项前瞻性研究的入组率为84%,所有患者在体成分分析(BCA)之前均获得了书面知情同意。描述本研究纳入流程的流程图见图1。

在研究检查中,我们使用了GE Revolution HD(GE Healthcare)。每个方案包括100 kVp电压、20–120 mA管电流、重建层间隔1.25至5 mm。该方案是一个标准化方案,几乎可在所有设备上使用。我们使用了使用和不使用造影剂的检查。

使用生物电阻抗分析进行体成分分析

基于BIA的BCA包括指导参与者在测量开始前至少两小时不饮水或进食,并移除任何金属配件,如珠宝、手表和电子设备。要求他们赤脚直立站在BIA的地面电极上,并将脚跟调整到传感器踏板周围。在测试过程中,患者必须双手握住与BIA控制器连接的电极。患者在整个测量期间需要保持安静。使用校准的身高计测量身高。所有测量均在单次就诊的1.5小时内按相同顺序(身高、BIA、CT检查)依次进行。使用InBody 770(InBody Europe B.V.)按照制造商推荐的技术进行所有BIA测量,并使用适当的BIA方程计算参数体脂肪量(BFMBIA)、骨骼肌质量(SMMBIA)和内脏脂肪面积(VFABIA)。SMIBIA使用以下公式计算:SMMBIA(kg)/身高2(m2)。体脂百分比(BFPBIA)使用以下公式计算:体重(kg)/BFMBIA * 100。

使用全自动CT图像分割进行体成分分析

对于基于CT的BCA,使用了一种基于AI的图像分割工具,该工具此前已经过内部和外部验证,并已完全集成到我们的PACS(Visage 7.1版,Visage Imaging GmbH)中。该工具最早由Beetz等人描述[14]。它基于卷积神经网络U-net,由九个模块组成。初始训练数据包括200张L3层面的轴位CT图像,训练过程中应用了数据增强以提高网络的泛化能力。不同感兴趣组织类别的面积(以cm²为单位)包括内脏脂肪组织(VATACT)、皮下脂肪组织(SATACT)、腰大肌(PMACT)和骨骼肌(SMACT),均自动计算并以不同颜色编码。所有对研究患者进行的基于AI的图像分割均由一位具有五年以上腹部CT影像经验的放射科医师核查。无需手动校正。腹部总肌肉面积(TAMACT)通过PMACT + SMACT计算得出。LSMICT使用既定公式计算:TAMACT(cm²)/身高²(m²)[9]。体脂指数CT(BFICT)通过将脂肪组织面积按患者体重归一化计算(以便与BFPBIA进行比较),使用以下公式:VATACT + SATACT(cm²)/体重(kg)。基于CT的BCA自动分割示例见图2。

图2 基于CT的自动化身体成分分析示例图。右上角包含L3的自动定位 查看原图 ↗

统计分析

统计和数据分析使用Stata/MP 17.0(StataCorp)进行。对数据进行了正态分布检验,并相应采用参数检验方法。数值变量的描述性统计以均值和标准差表示。使用t检验比较组间均值差异。使用Pearson相关系数进行两个连续变量之间的相关性分析。此外,使用线性回归确定基于CT的指标是否能预测基于BIA的指标。结果以散点图呈现。此外,使用Bland-Altman图评估BFP之间的一致性。基于CT的BFP使用包含内脏脂肪面积、皮下脂肪面积、身高、体重和性别的线性回归模型计算。p值<0.05的结果被认为具有统计学意义。

结果

基线数据

共前瞻性纳入210例患者,平均年龄60 ± 14岁(范围19至91岁)。研究人群中男性(55%)略多于女性(45%)。平均体重为75 ± 17 kg,平均身高为171 ± 9 cm,平均BMI为26 ± 5 kg/m²。CT的主要检查指征为肿瘤基线或随访影像,共185例(88%)。临床特征汇总于表1。

表1 患者特征 查看原表 ↗

身体成分分析

放射科医师核查AI算法全自动CT图像分割时无需手动调整。基于BIA和基于CT的BCA参数的定量结果汇总于表2和表3。

表2 基于BIA的身体成分分析结果 查看原表 ↗
表3 基于CT的身体成分分析结果 查看原表 ↗

基于BIA与基于CT的BCA参数/指标的比较

BIA与CT基于的身体成分分析(BCA)参数在脂肪和肌肉组织方面存在高度显著的正相关。BFMBIA与VATACT(总体:r = 0.63;女性:r = 0.74;男性:r = 0.82)、SATACT(总体:r = 0.87;女性 r = 0.93;男性 r = 0.80)以及VATACT + SATACT联合(总体:r = 0.89;女性 r = 0.95;男性 r = 0.91)在总研究人群和性别特异性亚组分析中均显示出极强和强的显著相关性(p < 0.001)(图3A、B)。SMMBIA与PMACT(r = 0.73)及TAMACT(r = 0.86)在总人群中显示出强的显著相关性(p < 0.001)。SMMBIA与PMACT的性别特异性相关性在女性中显示为弱的显著相关(r = 0.38),在男性中为中度相关(r = 0.51)(均 p < 0.001)。SMMBIA与TAMACT之间在女性(r = 0.72)和男性(r = 0.71)中均发现强的显著相关性(均 p < 0.001)(图3C、D)。VFABIA与VATCT(r = 0.60,p < 0.001)在总人群中显示出中度显著相关性,在性别特异性亚组分析中显示出强相关性(女性 r = 0.73;男性 r = 0.82;p < 0.001)(图3E、F)。

指标SMIBIA与LSMICT(r = 0.81)以及BFPBIA与BFICT(r = 0.79)显示出强的显著相关性(p < 0.001)。采用线性回归检验基于CT的指标是否能预测基于BIA的指标。SMIBIA与LSMICT(R2 = 0.66)以及BFPBIA与BFICT(R2 = 0.62)的总体回归具有统计学意义(均 p < 0.001)。在性别特异性亚组分析中,线性回归分析在两性中均保持显著(p < 0.001,表4和图4)。Bland-Altman图显示,BIA得出的BFP与CT预测的BFP之间具有极好的一致性,4.76%即10/210例患者落在一致性界限之外(图5)。

基于不同BMI分类分析亚组可为了解不同体重范围内的身体成分分析差异提供见解(图6)。

图3 基于BIA与基于CT的BCA参数之间相关性分析的散点图。内脏和皮下脂肪组织面积与体脂量:A 总研究人群,B 性别特异性亚组分析;总腹部肌肉面积与骨骼肌质量:C 总人群,D 性别特异性亚组分析;内脏脂肪组织面积与内脏脂肪面积:E 总队列,F 性别特异性亚组分析 查看原图 ↗
图4 基于BIA与基于CT的BCA指标之间相关性分析的散点图。腰椎骨骼肌指数与骨骼肌指数:A 总人群,B 性别特异性亚组分析;体脂指数与体脂百分比:C 总人群,D 性别特异性亚组分析 查看原图 ↗
图5 Bland–Altman图比较BIA测定的体脂百分比与CT预测的体脂百分比(使用皮下和内脏脂肪面积、身高、体重和性别通过线性回归进行预测)。4.76%即10/210落在一致性界限之外;平均差值 −4.57 + 0.16*平均值 查看原图 ↗
表4 基于BIA的指标与代表脂肪和肌肉组织的基于CT的指标的线性回归分析 查看原表 ↗
图6 Bland-Altman图展示不同BMI分类(< 18.5、18.5–24.9、25.0–29.9、≥ 30)下生物电阻抗分析(BIA)与计算机断层扫描(CT)体脂百分比测量之间的差异。x轴代表两种方法的平均值,y轴显示其差值 查看原图 ↗

讨论

在这项前瞻性研究中,我们在一个非选择性患者队列中直接比较了使用BIA进行的BCA与由AI工具进行的全自动基于CT的单层分割,该队列包括来自德国一家大型大学医院的患者。我们发现两种BCA方法在脂肪组织和肌肉组织方面均存在高度显著的相关性。

虽然BIA被公认为分析身体成分的准确方法,但它只能间接计算个体的肌肉和脂肪量[17]。BIA测量可能受到多种因素的影响,包括衣物、食物和饮料摄入、体力活动、影响液体和电解质平衡的医学状况、寒冷温度,以及腹部肥胖、月经周期和绝经等个体特征。还需要适当的年龄、人群和病理特异性BIA方程来确定SMI和BFP [18, 19]。种族也可能对BIA测量产生影响,突出了在不同人群中进行验证研究的必要性[20]。此外,BIA测量需要额外的人力费用投入,且并非对每位患者都可行,例如,本研究中排除的植入心脏设备的患者。

与BIA相比,基于CT的BCA可以提供若干临床和实际优势。首先,基于影像的各个组织 compartment 的分割通常不受上述影响BIA的因素的干扰。此外,通过将临床指示性影像的基于CT的BCA纳入常规临床实践,有效消除了BIA所需的额外资源需求。同时,如果可以使用全自动BCA软件,则消除了分割所需的附加时间,使得在疾病过程中进行重复测量也成为现实[14, 21, 22]。除了测量肌肉面积外,CT分割还包括组织密度的评估,从而能够估计肌肉质量,进而识别肌肉脂肪变性等病理状况[23–27]。基于CT的BCA的临床效用已在众多近期研究中得到强调[12, 16, 28, 29]。尽管有前景良好的回顾性分析,但与其他更成熟的BCA相比,基于CT的BCA缺乏验证。应当指出,本研究及其结论均基于放射学就绪的医疗环境,其中CT成像易于获得。相比之下,对于无法获得CT成像的医疗中心,BIA仍然是指南接受且广泛使用的BCA方法。

在影像学中,机会性筛查是指在执行如CT等影像检查时,发现与检查指征无关的意外结果[2]。类似于因其他原因就诊于全科医生诊所时额外测量血压,影像学可用于在接受胸部CT评估肺实质的个体中寻找其他相关发现,如肺结节、主动脉瘤和骨骼改变[30]。CT成像中的机会性筛查利用了胸部和腹部CT扫描中先前大部分未被使用的影像数据,这些数据通常与特定临床指征无关。因此,这些来自影像学的隐匿信息可用于改善疾病预防、帮助建立风险档案,并可能有助于相关症状前疾病的诊断[1]。基于CT的身体成分分析(BCA)在临床常规中也可能有用。重症监护病房(ICU)中的危重患者特别容易出现快速且显著的肌肉量丢失,可能从基于CT的BCA应用中获益,尽管ICU患者的各种状况,如水肿或液体超负荷,会影响生物电阻抗分析(BIA)的准确性。基于CT的BCA提供了更准确监测肌肉消耗随时间变化的潜力[31]。基于CT的BCA可用于监测ICU中物理治疗干预的有效性。通过比较治疗前后获得的体成分数据,临床医生可以评估肌肉恢复或持续丢失的程度,为调整治疗方案提供关键信息。这种能力对于检测仅通过临床观察可能不明显的肌肉量细微变化特别有用。使用基于CT的BCA进行重复评估可以指导治疗方案的动态调整,确保干预措施随着患者病情演变而保持有效。因此,基于BIA的BCA的临床效用已在几种疾病中进行了前瞻性研究[32–34]。已发表了几项较小的前瞻性研究比较BIA和基于CT的BCA,显示两种方法之间的相关性[35–38]。我们的研究与这些研究不同,尤其是研究设计,因为我们直接比较了BIA和CT检查。我们研究的其他独特特征在于研究人群的规模和多样性。此外,我们的研究补充了关于自动化基于CT的BCA的现有数据体系,我们相信这可以使其转化为常规临床实践。

性别特异性亚组分析显示,BIA和基于CT的体成分参数在男女两性中均具有一致的强相关性,尽管关联强度在男性和女性患者之间存在差异。当仅考虑特定组分(如内脏脂肪组织或腰大肌)时,亚组分析中的差异更为明显。这种现象可能反映了脂肪和肌肉组织的整体性别特异性分布模式。然而,当分析中纳入总肌肉或脂肪面积时,两性之间的关联强度基本相当。这些发现强调了在体成分分析中进行性别特异性评估的重要性,因为男性和女性患者之间的生理差异可能影响影像学和BIA衍生指标的准确性和可解释性。

然而,基于CT的身体成分分析(BCA)也存在一些局限性。尽管随着最先进CT扫描仪和优化CT方案的应用,平均辐射剂量已大幅降低,但CT成像只能在有临床指征时进行,这限制了其广泛应用[39, 40]。与半自动BCA工具相比,全自动分割速度更快,因此可用于更大的研究人群,但其结果仍需要由经验丰富的放射科医师核实,并且在个别病例中可能需要手动校正。此外,对于体内有异物、严重腹水、水肿或肠系膜脂肪条索的患者,自动图像分割的准确性也可能受限,因为放射密度的改变可能降低该工具正确区分脂肪组织与肌肉组织的能力[41, 42]。然而,我们的研究突显了自动分割的稳健性,因为在我们连续选取的任何患者中都不需要进行手动调整。BCA是使用人工智能驱动的单层工具在L3水平进行自动检测和分割的。近期研究表明,单层L3横截面积与多层T12–L5腹部骨骼肌、内脏脂肪组织和皮下脂肪组织体积之间具有强相关性。这些面积和体积测量与全因死亡率的关联具有可比性,表明在单一时间点评估身体成分时,两种方法用于人群研究同样有效[43]。因此,使用单层方法是更简单、更快速的选择,且结果具有可比性。此外,选择生物电阻抗分析(BIA)作为参考标准,是因为其在营养科学、内科学和运动医学中广泛应用。

尽管本研究具有优势,但仍有一些局限性应予说明。本研究为单中心设计。在单一机构内开展研究限制了研究结果的普适性,因为患者人群可能无法完全代表其他地区或医疗机构中所见的更广泛人口学和临床差异。患者队列的具体特征,如民族背景、社会经济状况和常见健康状况,可能影响身体成分参数及其在BIA与基于CT的BCA之间的相关性。在我们的大学门诊中,受检患者中癌症患者占比较高,这也反映在研究人群中。仅排除了无法额外进行BIA的急诊检查和危重患者评估。此外,使用单一AI工具进行基于CT的BCA可能引入该软件算法特有的偏倚,其在其他临床环境中应用或使用不同工具时性能可能不同。因此,在推断至多样化人群或环境时应谨慎解释结果,并有必要开展进一步的多中心研究以在不同患者人群和临床实践中验证这些发现。

总之,我们的研究表明,在前瞻性研究设计中,基于生物电阻抗分析(BIA)的体成分分析与基于计算机断层扫描(CT)的体成分分析之间存在强相关性。因此,对于作为临床检查一部分已接受腹部CT扫描的患者,似乎没有必要额外进行BIA。我们的研究强调了基于CT的体成分分析的有效性,并建议常规传播这一有价值的信息,否则这些信息将未被利用。

引用

  1. Fehrenbach U, Hosse C, Wienbrandt W, et al. Concordance between single-slice abdominal computed tomography-based and bioelectrical impedance-based analysis of body composition in a prospective study. Eur Radiol. 2025. PMID: 40536702. doi:10.1007/s00330-025-11746-3
  2. 全文:PMC12634744(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12634744/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。