人工智能测量的冠状动脉钙化CT扫描肌脂肪变性预测慢性阻塞性肺疾病:多民族动脉粥样硬化研究
本研究基于多民族动脉粥样硬化研究(MESA)5535名参与者,分析基线冠状动脉钙化CT扫描及20年随访数据。AI测量的肌脂肪变性(胸部骨骼肌平均衰减最低四分位)与临床诊断的慢性阻塞性肺疾病(COPD)发生独立相关,校正后风险比2.74,优于AI测量的肺气肿样肺(校正后风险比1.50)。
要点
- 胸部骨骼肌平均衰减最低四分位(肌脂肪变性)者COPD累积发生率15.9%,最高四分位者3.2%。
- 肌脂肪变性预测COPD的校正后HR为2.74,肺气肿样肺为1.50,两者差异有统计学意义(P=.02)。
- 肌脂肪变性在年龄、性别、肥胖、吸烟等亚组中与COPD的关联保持一致。
核心结论
- AI测量的冠状动脉钙化CT扫描中的肌脂肪变性可独立于已知危险因素强烈预测未来临床诊断的COPD,且预测能力强于AI测量的肺气肿样肺。
研究设计与样本
- 前瞻性队列研究,纳入MESA队列5535名参与者(平均年龄62.2岁±10.3,男性47.6%),来自美国六个社区,基线非对比增强冠状动脉钙化CT扫描,随访至20年。
关键影像表现/征象
- 肌脂肪变性定义为胸部骨骼肌平均衰减最低四分位,男性≤33.5 HU,女性≤27.0 HU。
- 肺气肿样肺生物标志物量化为CT扫描中低于-950 HU的肺 voxel 百分比。
- 肌脂肪变性者(最低四分位)COPD累积发生率为15.9%(95%CI:13.6,18.5),最高四分位者为3.2%(95%CI:2.2,4.7)(P<.001)。
- 肺气肿样肺最高四分位者COPD累积发生率为15.3%(95%CI:12.8,18.1),最低四分位者为7.0%(95%CI:5.6,8.7)(P<.001)。
诊断标准与关键数值
- 肌脂肪变性:胸部骨骼肌平均衰减最低四分位,男性<33.5 HU,女性<27.0 HU。
- 肺气肿样肺:肺 voxel 衰减低于-950 HU的百分比。
- COPD诊断:基于医院出院记录的国际疾病分类第九版临床修改版(ICD-9-CM)和第十版临床修改版(ICD-10-CM)诊断代码。
- 未校正HR:肌脂肪变性(最低 vs 最高四分位)5.98(95%CI:4.14,8.63),肺气肿样肺(最高 vs 最低四分位)2.12(95%CI:1.61,2.78)(P<.001)。
- 完全校正后HR:肌脂肪变性2.74(95%CI:1.81,4.16),肺气肿样肺1.50(95%CI:1.12,2.00)(P=.02)。
临床应用与阅片要点
- 冠状动脉钙化CT扫描中可机会性评估胸部骨骼肌衰减,提示肌脂肪变性可能作为COPD的早期风险指标。
- 肌脂肪变性对COPD的预测能力强于肺气肿样肺,阅片时可关注胸部骨骼肌密度减低。
- 作者认为肌脂肪变性可能代表先于并潜在促进COPD发病的早期机制通路。
局限性
- 本研究为观察性研究,无法确立因果关系。
- COPD诊断基于医院出院记录,仅纳入住院事件,门诊事件未捕获。
- AI-CVD软件衍生于TotalSegmentator,其外部验证程度有限。
- 随访期间COPD诊断可能受监测偏倚影响。
全文中译16 节 · 点击展开
摘要
基于冠状动脉钙化CT扫描的人工智能衍生肌脂肪变性测量与临床诊断的慢性阻塞性肺疾病发病率强烈相关,其作为预测性生物标志物的表现优于肺气肿样肺。
要点
■ 在一项纳入5535名参与者的前瞻性研究中,基于冠状动脉钙化CT扫描的人工智能(AI)衍生肌脂肪变性测量预测了临床慢性阻塞性肺疾病(COPD)的发病率;最低四分位肌肉质量者的风险比最高四分位者高2.74倍。
■ 肌脂肪变性对COPD的预测能力强于AI检测的肺气肿样肺(风险比,2.74 vs 1.50;P = .02)。
■ 肌脂肪变性与COPD之间的关联在年龄、性别、肥胖、吸烟状态和活动亚组中保持一致。
引言
慢性阻塞性肺疾病(COPD)是一种可预防的慢性炎症性肺部疾病,以不可逆的气流受限为特征,仍是全球发病和死亡的主要原因(1,2)。尽管已识别出环境和遗传危险因素,但对COPD发病机制的理解仍存在重大空白,凸显了新型预测性生物标志物的迫切需求,以实现早期检测和针对性预防,尤其是在传统低风险人群中(1)。
肌脂肪变性以骨骼肌组织内过度脂肪浸润为特征,已成为肌肉质量受损的关键指标,其意义超越单纯的肌肉量或肌力测量(3)。这一病理过程涉及肌细胞间和肌细胞内脂质积累,由衰老、缺乏体力活动和代谢失调特别是胰岛素抵抗所致(4)。该状况可通过非增强CT扫描获得的肌肉放射密度测量可靠量化,与组织学活检结果显示出强相关性(5)。除了与糖尿病、肥胖和体能下降的众所周知关联外,肌脂肪变性似乎还通过独特的病理生理机制影响全身健康(5,6)。
肌脂肪变性的全身性影响超越局部肌肉功能障碍,因为肌内脂肪沉积作为代谢活跃组织发挥作用,促进促炎细胞因子产生并导致持续性全身炎症(4)。这一炎症级联反应,结合肌脂肪变性所特有的线粒体功能障碍和胰岛素抵抗,创造了一个与已确立的COPD危险因素极为相似的病理生理环境(7)。既往研究表明,全身炎症、代谢紊乱、线粒体功能障碍和胰岛素抵抗可独立预测COPD的发生。因此,肌脂肪变性的存在可能代表一条先于并可能促进COPD发病机制的早期机制通路(7–9)。
机会性筛查代表了一种用于慢性病早期检测和风险分层的创新方法,其利用为无关临床指征所进行的影像学检查中嵌入的偶然信息(10)。人工智能(AI)的整合彻底改变了对这些机会性影像发现的分析,将人工流程转变为系统性、可重复的评估工具。我们的研究组开发了AI心血管疾病(AI-CVD)平台,通过提取冠状动脉和非冠状动脉发现,以最大化常规CT扫描(尤其是冠状动脉钙化(CAC)扫描)的临床价值,从而增强对多种疾病的慢性病预测(11)。我们的研究组此前已在动脉粥样硬化多种族研究(MESA)中证明,AI测量的胸部骨骼肌(TSM)肌脂肪变性可独立预测心血管结局,尤其是心房颤动和心力衰竭(12)。AI-CVD平台对CAC CT扫描进行全面分析,既往发表的研究已验证了其中多个组成部分,包括骨密度、心腔容积和左心室质量的自动测量(13–17)。
既往关于COPD肌肉异常的研究受到关键方法学限制的制约,这些限制阻碍了对肌肉组成变化与疾病发展之间时间关系的理解。大多数研究集中于已确诊COPD的患者,使得无法确定肌肉变化是发生于疾病 onset 之前还是由疾病 onset 所致(18–20)。此外,既往研究通常检查孤立的肌肉群或单层面测量,而非全面的胸部肌肉评估,可能忽视了肌肉质量恶化的全身性特征。横断面设计的主导使用进一步限制了建立肌肉组成与COPD发展之间时间关系的能力(21)。在本研究中,我们研究了AI量化的TSM肌脂肪变性是否可预测MESA参与者20年间临床诊断COPD风险的发病率,并将其预测价值与同一扫描中AI检测的肺气肿样肺进行比较。本分析旨在拓展我们对肌脂肪变性作为社区队列中COPD发展潜在早期生物标志物的理解。
材料与方法
研究设计与样本
本分析使用了MESA(ClinicalTrials.gov NCT00005487)的数据,该研究是一项前瞻性队列研究,于2000年7月启动,随访至2020年7月。MESA旨在研究基线时无已知心血管疾病的个体中亚临床心血管疾病的患病率、相关因素和进展。该研究从美国六个多样化社区招募了6814名参与者和男性,年龄45–84岁:巴尔的摩(马里兰州)、芝加哥(伊利诺伊州)、福赛斯县(北卡罗来纳州)、洛杉矶县(加利福尼亚州)、曼哈顿北部(纽约州)和圣保罗(明尼苏达州)。MESA研究设计的全面描述此前已发表(22)。
伦理批准
MESA是由美国国立卫生研究院资助的一项基于人群的纵向研究,并已接受适当的伦理监管。MESA方案已获得六家现场医学中心(哥伦比亚大学、约翰斯·霍普金斯医学、西北大学、加利福尼亚大学洛杉矶分校、明尼苏达大学和维克森林大学)的机构审查委员会以及美国国家心肺血液研究所的批准。所有参与者均签署了书面知情同意书,同意接受影像检查并与临床结局进行关联。
参与者选择
为从初始MESA队列中建立分析样本,实施了若干排除标准。总体而言,771名参与者因不同意将其数据用于商业用途而被排除,222名因CT扫描数据不完整(缺失层面)而被排除,286名因缺失结局或危险因素信息而被排除。应用这些排除标准后,我们的最终分析样本由5535名参与者组成(图1)。
临床诊断的COPD通过医院出院记录使用《国际疾病分类》第九版临床修订版和《国际疾病分类》第十版临床修订版诊断代码进行识别。《国际疾病分类》第九版临床修订版代码包括慢性支气管炎(491.0、491.1、491.20、491.21、491.22、491.8、491.9)、肺气肿(492.0、492.8)和慢性阻塞性气道疾病(496)。《国际疾病分类》第十版临床修订版代码涵盖慢性支气管炎(J40、J41.0、J41.1、J41.8、J42)、肺气肿(J43.0-J43.9)和其他COPD(J44.0、J44.1、J44.9)。仅考虑具有这些诊断代码的住院事件,因为MESA数据库未采集门诊事件。COPD诊断时间以从基线检查至首次发生符合要求的COPD诊断的天数计算。参与者在死亡、失访或研究期结束时进行删失。
用于通过心脏CT评估肌脂肪变性和肺气肿的AI分析
肌脂肪变性评估使用AI-CVD(HeartLung.AI)进行,这是一个专门的深度学习平台,设计用于对心脏和胸部CT扫描中的解剖结构进行全面的机会性分析,具备对比增强和非对比成像能力(附录S1)。在本研究中,肌脂肪变性评估使用非对比心脏CT进行。肌脂肪变性在操作上定义为TSM平均衰减Hounsfield单位处于最低四分位数的测量值,性别特异性阈值设定为女性小于或等于27.0平均HU,男性小于或等于33.5平均HU。AI模型对整个扫描容积内所有可见的TSM进行分割,而不是依赖单个轴位层面或固定感兴趣区。具体而言,肌肉体积和平均衰减(以Hounsfield单位计)来源于CAC CT扫描野内所有胸腔肌肉的累积分割,包括胸大肌和胸小肌、椎旁肌(竖脊肌和多裂肌)以及肋间肌。
此外,我们在相同的CAC CT扫描中测量了类肺气肿肺,以评估其与临床诊断COPD的关联,并与肌脂肪变性进行比较。肺实质中衰减值低于−950 HU的区域是类肺气肿肺的已知放射学替代指标(23)。我们应用AI-CVD软件对CAC CT扫描中的所有五个肺叶进行分割和分析。各肺叶平均体积±SD如下:左上叶437.0 mL±160.0;左下叶773.0 mL±251.1;右上叶212.6 mL±124.9;右中叶377.3 mL±119.5;右下叶901.9 mL±270.6。随后,我们计算了低于−950 HU的肺 voxel 占总肺 voxel 的百分比以进行进一步分析。
AI-CVD的基本机器学习架构源自TotalSegmentator,这是一个由独立研究者和本手稿共同作者开发的经验证的解剖建模系统(24)。TotalSegmentator的源代码可从GitHub公开获取(https://github.com/wasserth/TotalSegmentator)。
为解决旁间隔肺气肿的潜在混杂效应——该病变影响远端腺泡及胸膜下和/或旁间隔区域,但与COPD无关(25)——我们进行了一项敏感性分析。在100例随机选择的病例中,我们在肺气肿计算中从每个肺叶外周数字侵蚀去除20%。去除前后肺气肿百分比的比较显示无统计学显著差异,提示我们的发现对旁间隔肺气肿的潜在稀释效应具有稳健性。
统计分析
所有统计分析均使用R Studio 4.5.1版(https://posit.co/download/rstudio-desktop/)和Python 3.10版(https://www.python.org/)进行。所有显著性检验均为双侧检验,I型错误设定为α等于.05。对于正态分布的连续变量,数据以平均值±SD表示,两组比较采用独立t检验,多组比较采用单因素方差分析。非正态分布的连续变量以中位数及IQR表示,两组比较采用Wilcoxon秩和检验,多组比较采用Kruskal-Wallis检验。分类变量以频率及百分比表示,并使用χ2检验进行分析。
采用Cox比例风险回归评估肌肉脂肪变性与临床诊断COPD发病率之间的关联,按四分位数进行分类分析,并使用限制性立方样条进行连续分析,节点置于均匀间隔的分位数处。使用Schoenfeld残差检验肌肉脂肪变性与临床诊断COPD发病率之间的比例风险假设,未检测到违反假设的情况。该分析采用基于已知COPD危险因素的分层调整方法,从非调整模型(模型1)开始,随后依次调整年龄(模型2)、其他人口学因素包括性别、体重指数(以体重千克数除以身高米数的平方计算)和种族(模型3)、包年吸烟量(模型4)、哮喘(模型5)、体力活动(模型6)、炎症指标(C反应蛋白和白细胞介素6)(模型7)以及胰岛素抵抗(模型8)。胰岛素抵抗使用稳态模型评估胰岛素抵抗指数估算,计算方式为空腹胰岛素(mIU/L)× 空腹血糖(mg/dL)/405。由于呈正偏态分布,稳态模型评估胰岛素抵抗指数经自然对数(ln)转换。体力活动使用中等强度运动的每周代谢当量任务小时数计算。种族和族裔变量采用独热编码,以白人组为参照类别,中国人、黑人和西班牙裔组与白人组进行比较。我们还评估了肺气肿样肺部测量指标,尽管与肌肉脂肪变性不同,我们比较的是最高四分位数与最低四分位数。使用Wald检验在所有模型中比较肌肉脂肪变性和肺气肿样测量指标与临床诊断COPD之间关联的相对强度。
按TSM平均衰减值四分位数分组的临床诊断COPD累积发病率使用1减去Kaplan-Meier生存估计值计算。组间差异使用多变量对数秩检验评估。
亚组分析基于招募时年龄(<60、≥60岁)、性别(男性、女性)、体重指数(<30、≥30)、吸烟状态(<20、≥20包年吸烟)、体力活动(<中位数、≥中位数)、稳态模型评估胰岛素抵抗指数(<2.5、≥2.5)、肺气肿样肺百分比(<中位数、≥中位数)和被动吸烟暴露(曾经、从不)进行。被动吸烟仅在报告从不吸烟或曾经吸烟的参与者中评估。敏感性分析通过排除随访前2年内被诊断为COPD的参与者以及基线时患有哮喘的参与者来进行。
为评估肌肉脂肪变性–COPD关联是否因年龄或吸烟暴露而异,我们进行了包含交互项的Cox比例风险分析。TSM平均衰减值、年龄和包年吸烟量均进行均值中心化处理,并创建了两个交互项(衰减值 × 年龄;衰减值 × 包年吸烟量)。这些交互项加上主效应和协变量被纳入完全调整模型。我们通过Wald检验评估每个交互项,并通过似然比检验评估其联合贡献,使用双尾α等于0.05。
结果
参与者特征
本研究分析了5535名参与者(平均年龄±标准差,62.2岁±10.3)(图1)。该队列包括2633名男性(47.6%)参与者和2817名从不吸烟(50.9%)的参与者。在种族和民族方面,2186名参与者为非西班牙裔白人(39.5%),1428名为黑人(25.8%),1228名为西班牙裔(22.2%),693名为华裔美国人(12.5%)。按胸廓骨骼肌(TSM)平均衰减最高和最低四分位数分层的基线特征见表1。
临床诊断COPD的发病率及相关特征
在中位随访18.64年(IQR,12.06–19.50年)期间,396名参与者发展为COPD(7.1%), corresponding to an incidence rate of 0.5 per 100 person-years。在COPD参与者中,219名为男性(55.3%),177名为女性(44.7%)。按COPD状态(事件 vs 无事件)分层的基线特征总结于表2。
肌脂肪变性与COPD之间的关联
比较TSM衰减最低与最高四分位数的单变量分析显示,肌脂肪变性与临床诊断COPD的发病率之间存在强关联,风险比(HR)为5.98(95% CI:4.14,8.63)。在调整年龄、性别、体重指数、种族、包年吸烟量、哮喘、体力活动、炎症因子和胰岛素抵抗后,这种关联保持一致。完全调整后,肌脂肪变性仍与临床诊断COPD的发病率保持独立关联,调整后HR为2.74(95% CI:1.81,4.16)(表3)。此外,在调整肺气肿样百分比后,该关联仍然显著,HR为2.50(95% CI:1.64,3.80)。连续TSM平均衰减每降低一个单位,与HR为1.06(95% CI:1.05,1.07)相关。同样,TSM平均衰减每降低1个标准差,HR为1.55(95% CI:1.41,1.70)(图2)。
累积发病率分析表明,TSM衰减最低四分位数(肌脂肪变性)的个体临床诊断COPD的发病率更高,为15.9%(95% CI:13.6,18.5),而最高四分位数为3.2%(95% CI:2.2,4.7)(P < .001)(图3)。
与心脏CT中肺气肿样肺的比较
比较肺气肿样肺最高四分位数与最低四分位数的单变量分析显示,肺气肿样肺与临床诊断COPD的发病率之间存在强关联,HR为2.12(95% CI:1.61,2.78)。在调整年龄、性别、体重指数、种族、包年吸烟量、哮喘、体力活动、炎症因子和胰岛素抵抗后,该关联保持一致。完全调整后,肺气肿样肺与临床诊断COPD的发病率仍保持独立关联,调整后HR为1.50(95% CI:1.12,2.00)。此外,在调整TSM平均衰减后,该关联仍然显著,HR为1.39(95% CI:1.04,1.86)。
值得注意的是,Wald检验分析一致显示,在所有测试模型中,与肺气肿样肺相比,肌脂肪变性对临床诊断COPD的发病率表现出更强的预测能力(P < .05),提示其作为COPD发病风险指标可能具有优越性(表3)。连续性肺气肿样肺百分比每增加一个百分点,与临床诊断COPD发病风险的HR为1.13(95% CI:1.11,1.15)。同样,肺气肿样肺百分比每增加一个标准差,HR为1.46(95% CI:1.38,1.54)。
累积发病率分析显示,肺气肿样肺百分比最高四分位数个体的临床诊断COPD累积发病率为15.3%(95% CI:12.8,18.1),高于最低四分位数的7.0%(95% CI:5.6,8.7)(P < .001)(图4)。我们呈现了两名从不吸烟、伴有肌脂肪变性和低肺气肿样肺的参与者,他们在随访期间发展为COPD(图5)。
肌脂肪变性与COPD风险的亚组分析
亚组分析显示,按年龄类别、性别、肥胖状态、吸烟史、被动吸烟暴露、体力活动水平、胰岛素抵抗状态以及按中位数分层的肺气肿样肺百分比划分,肌脂肪变性与临床诊断COPD的发病率之间均存在关联(表S1)。
肌脂肪变性与COPD风险的敏感性分析
在敏感性分析中,排除随访前2年内发生COPD的参与者(n = 33)和基线时患有哮喘的参与者(n = 549)后,结果保持一致(表S2)。
交互作用分析
在同时纳入衰减×年龄和衰减×包年交互项的完全校正模型中,两个交互项均不显著(Wald P 分别为 .48 和 .69)。此外,将该模型与基础模型进行比较的似然比检验得出 χ2 等于 0.69,P 值为 .71,表明加入这些交互项并未改善模型拟合。
讨论
据我们所知,这是首项研究人工智能(AI)量化的椎旁肌(TSM)肌脂肪变性(myosteatosis)与未来慢性阻塞性肺疾病(COPD)诊断之间关联的研究。在这项对5535名多民族动脉粥样硬化研究(MESA)参与者随访20年的前瞻性研究中,基于基线冠状动脉钙化(CAC)CT扫描由AI量化的肌脂肪变性强烈预测了临床诊断的COPD新发病例。在调整年龄、性别、体重指数、种族、吸烟史、哮喘、体力活动、炎症标志物和胰岛素抵抗后,与最高四分位组相比,肌脂肪变性组(TSM平均衰减最低四分位)参与者发生COPD的风险增加2.74倍。值得注意的是,肌脂肪变性作为预测因子优于AI测量的肺气肿样肺,校正风险比(HR)分别为2.74对1.50(P = .02)。该关联在按年龄、性别、肥胖、吸烟状况、体力活动、胰岛素抵抗和肺气肿样肺水平分层的各亚组中均保持稳健,并在排除早期COPD病例和基线哮喘参与者的敏感性分析中持续存在。
尽管大量研究已探讨确诊COPD患者的肌肉异常,但将肌脂肪变性作为无症状个体COPD预测因子的研究仍然有限。既往研究一致表明,与健康对照相比,COPD患者骨骼肌脂肪浸润增加,且这些改变与疾病严重程度和不良临床结局密切相关(18–20)。Persson等(18)报告,COPD患者肌肉脂肪浸润增加与全身炎症加重和肌肉生物能量功能受损相关。Qiao等(3)发现胸肌衰减较低可预测急性加重期间的呼吸衰竭,Park等(19)证明肋间肌衰减降低可预测肺功能加速下降。尽管这些研究强调了肌脂肪变性在疾病晚期阶段的预后意义,但在理解其在临床前COPD发病机制中的作用方面仍存在关键空白。
我们的研究中观察到的肌脂肪变性与临床诊断COPD发病率之间的稳健关联提示了几种潜在机制通路。尽管既往研究报告炎症标志物显著升高,支持全身炎症作为关键介质的作用(18,26),但我们在MESA参与者中未发现白细胞介素6或C反应蛋白与肌脂肪变性之间存在强相关性。这种复杂关系可能部分由这些血清生物标志物单次测量的局限性解释,与肌脂肪变性相对稳定的性质不同,这些标志物可在短时间内大幅波动。
另一种可能的途径涉及代谢功能障碍。肌肉内脂肪堆积与胰岛素抵抗和能量代谢紊乱有关——这些情况可能导致肺组织中的氧化应激(21,27)。这些全身性效应可能损害组织修复并促进气道重塑。来自MESA队列的先前证据将低肌肉衰减与葡萄糖调节受损和糖尿病风险增加联系起来(28)。现有文献表明,糖尿病和糖尿病前期可能通过全身性炎症、氧化损伤、葡萄糖毒性和自主神经失衡等机制升高COPD风险(7)。值得注意的是,年龄调整后肌少症预测价值的大幅衰减反映了衰老与肌肉质量恶化在COPD发病机制中的复杂相互作用。
在本研究中,我们发现CAC CT扫描中AI测量的肺气肿样肺和肌少症均独立预测COPD,即使在调整吸烟状态后亦然。我们的发现表明,肌少症可能是比肺气肿样肺更强的COPD发展预测因子,反映了其作为早期病理生理变化指标的作用。肌肉质量恶化与代谢改变和全身性炎症相关,这可能促进并加速肺损伤。
与依赖单层或基于感兴趣区的特定肌群分析的传统研究不同,我们的方法利用深度学习算法对CAC CT扫描中可见的所有胸部骨骼肌进行全面分割和测量,提高了可重复性和解剖覆盖范围。
我们的研究应考虑一些局限性。第一,尽管我们调整了多个潜在混杂因素,但在此观察性研究设计中不能排除未测量因素的残余混杂。第二,肌肉评估仅限于单一时间点,无法分析肌肉质量的时间变化及其与COPD风险的关系。第三,一个重要的技术局限性涉及肌少症测量缺乏标准化CT参数。第四,肌肉质量评估的准确性可能受CT参数变化的影响,如管电压、管电流、层厚和重建算法,特别是在使用窄衰减阈值时。第五,重要的是要注意MESA基线数据集缺乏用于评估无症状COPD患者的肺功能测定数据。先前研究表明,无症状个体中COPD患病率约为1.5%至13.2%,取决于所研究人群、存在的危险因素和所用诊断标准(29–31)。此外,CAC CT扫描不覆盖肺气肿最常观察到的上肺区域,这是解释这些发现时的重要考虑因素。第六,我们的COPD结局定义依赖于出院记录,这使我们的发现仅限于严重到需要住院的COPD病例,可能遗漏在门诊环境中管理的较轻病例。最后,我们的研究使用了MESA CAC CT扫描方案中的电子束CT和多排CT扫描,鉴于电子束CT扫描仪已不再生产,未来需要使用具有更高空间分辨率的现代多排CT扫描仪进行验证研究以确认我们的发现。
总之,由冠状动脉钙化(CAC)CT扫描中人工智能量化的肌肉脂肪浸润是慢性阻塞性肺疾病(COPD)发病的有力独立预测因子,其预测效能优于肺气肿样肺部测量指标。未来研究应纳入纵向肌肉质量评估,以阐明其与亚临床肺功能下降的时间关系;使用结合肺功能检查的完整胸部CT,同时排除基线时经肺功能检查确诊COPD的患者;并探索将肌肉脂肪浸润与COPD发生联系起来的机制通路。此外,将机会性体成分分析扩展至非胸部肌肉群,采用全身或腹部CT或MRI方案,将有助于阐明胸腔以外的肌肉脂肪浸润是否同样预测COPD发病,并区分全身性临床前肌肉脂肪浸润与早期呼吸肌消耗。这些进展可能识别新的治疗靶点,并在高危人群中实现更早的预防性干预。
补充文件
引用
- Azimi A, Atlas K, Reeves AP, et al. Artificial Intelligence-derived Measurements of Myosteatosis from Coronary Artery Calcium CT Scans to Predict COPD: The Multi-Ethnic Study of Atherosclerosis. Radiol Cardiothorac Imaging. 2026. PMID: 41609478. doi:10.1148/ryct.250205
- 全文:PMC12951201(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12951201/
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。