文献速递腹部技术与安全CT

基于自动CT的内脏脂肪密度可预测死亡率,且不受内脏脂肪面积影响

Automated CT-based visceral fat density predicts mortality regardless of visceral fat area.
PubMed 文献 · Br J Radiol · 2026-01-01

该回顾性研究纳入136895例接受腹部CT的成人,用全自动AI算法在L3层面测量内脏脂肪面积与密度并分析全因死亡。结果显示内脏脂肪密度升高预测1年死亡(HR最高3.8)及2-20年死亡(HR最高2.1),而内脏脂肪面积无显著预测价值;在最大年龄组40-59岁中BMI无法区分死亡风险。

要点

  • 内脏脂肪密度升高与1年及2-20年全因死亡风险增加相关,且不受内脏脂肪面积高低影响。
  • 内脏脂肪面积对全因死亡无显著预测价值,风险比接近1.0。
  • 在40-59岁最大年龄组中,BMI四分位无法像内脏脂肪密度那样区分死亡风险。

核心结论

  • AI测量的CT内脏脂肪密度在预测全因死亡方面优于内脏脂肪面积。
  • 内脏脂肪密度在各年龄组和男女中均持续预测死亡风险,而BMI无法区分风险。
  • 自动化评估内脏脂肪密度可能有助于患者风险评估和管理。

研究设计与样本

  • 回顾性、符合《健康保险携带与责任法案》的横断面研究,经机构审查委员会批准并豁免知情同意。
  • 最终样本136895例成人(平均年龄53岁,52%女性),来自2000年1月至2021年3月间接受腹部CT的151141例患者。
  • 使用全自动AI算法在L3层面分割并测量内脏脂肪面积(mm²)和密度(HU),CT方案包括不同对比期相、管电压和剂量范围,来自不同制造商的多台设备。
  • 对比剂校正:面积乘以1.063,HU在−120 HU处加3.9 HU并线性增至−60 HU处加6.8 HU;未知对比状态的0.03%扫描未校正。
  • 结局为CT后全因死亡,生存分析采用Kaplan-Meier曲线和风险比,P<.05为统计学显著。

关键影像表现/征象

  • CT图像上可自动分割L3层面内脏脂肪,示例展示高面积/高密度、高面积/低密度、低面积/高密度、低面积/低密度四种组合。
  • 内脏脂肪面积随年龄增长至60-79岁,之后在80岁及以上下降:女性从76 cm²增至128 cm²再至154 cm²,随后降至136 cm²(P<.0001);男性从121 cm²增至215 cm²再至259 cm²,随后降至247 cm²(P<.0001)。
  • 内脏脂肪密度(HU)随年龄无上述趋势。

诊断标准与关键数值

  • 内脏脂肪密度风险比从略高于−85 HU开始升高,在−100 HU后稳步上升,最低风险略低于−100 HU,最高风险略高于−65 HU,峰值1年接近4.0、2-20年接近2.0。
  • 内脏脂肪面积风险比多数接近1.0,仅在极端低值和高值端死亡风险轻度增加。
  • 高密度组1年死亡风险按年龄组:18-39岁高面积+高密度HR=1.67(P<.001);40-59岁、60-79岁、80岁以上低面积+高密度HR分别为1.66、1.56、1.43(P<.001)。
  • 1年内死亡者中,内脏脂肪面积百分位增加10%相当于年轻9个月,内脏脂肪密度增加10 HU相当于衰老11年。
  • 2-20年死亡者中,内脏脂肪面积百分位增加10%相当于年轻2周且无统计学意义,内脏脂肪密度增加10 HU相当于衰老4年。

临床应用与阅片要点

  • 全自动AI CT工具可在L3层面同时获得内脏脂肪面积和密度,阅片时可关注内脏脂肪密度(HU)而非仅面积。
  • 高内脏脂肪密度提示死亡风险增加,无论内脏脂肪面积高低;低密度组风险最低。
  • BMI无法充分预测死亡风险(仅在40-59岁最大年龄组评估)。

局限性

  • 这是大型回顾性队列,患者因任何指征接受CT,部分为健康筛查人群,部分为严重疾病诊断和分期,因人群规模及病历数据一致性限制,无法区分健康与患病参与者。
  • AI工具在极低内脏脂肪面积测量时不可靠,导致部分参与者被排除,希望未来版本通过对低内脏脂肪图像额外训练改进。
  • 因队列规模大,无法手动校正影响测量的问题,如腹水或全身水肿等临床异常,或植入硬件等伪影异常。
  • 作者承认国家死亡索引(NDI)的死亡数据可能比从健康记录获取更完整,但大样本量下链接NDI操作繁重。
全文中译12 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:Br J Radiol. 2026 Jan 12;99(1179):450–8. doi: 10.1093/bjr/tqag001

引言

在美国,预计到2050年65岁及以上人口将几乎翻倍。1 同一时期,肥胖率预计将超过目前的42%,大幅增加2型糖尿病、心血管疾病、某些癌症、阿尔茨海默病及全因死亡的风险。2 用于评估肥胖的常用方法,包括体重指数(BMI)和腰围,并不能完全反映与内脏肥胖相关的疾病风险,因此对心脏代谢健康的评估并不完整。2,3 相反,全自动人工智能(AI)CT工具可以得出客观的身体成分指标,4 包括区分皮下脂肪组织(SAT)与内脏脂肪组织(VAT)。5 这提供了对心脏代谢风险的改进评估,因为内脏脂肪与不良心血管事件密切相关,并且是全因死亡的独立预测因子。6,7 多项研究已分别分析了CT衍生的SAT和VAT数量;然而,在考虑大量成人人群死亡风险时,很少有研究考察VAT数量之外的特征。6,8

VAT数量随年龄增长而增加,对预测疾病具有重要价值9–11;然而,脂肪组织内的形态学变化和不同细胞类型的浸润对于维持正常的脂肪细胞健康和功能可能更为重要。这些变化包括肥大、缺氧、纤维化和免疫细胞浸润,12,13 已被证明决定CT测量的脂肪组织密度。14 全自动CT方法在预测健康筛查队列风险方面优于标准临床工具15,并可用于捕捉与脂肪组织密度增加相关的形态学变化。本研究的目的是评估基于全自动CT的VAT数量和VAT密度在预测大量成人队列全因死亡方面的效用。将检验VAT密度在VAT数量之上改善死亡预测的假设。

方法

患者队列

本项符合《健康保险流通与责任法案》的回顾性横断面研究经机构审查委员会批准。知情同意要求被豁免。基于全自动AI的腹部VAT定量算法应用于2000年1月至2021年3月期间接受CT检查的151 141例患者的腹部CT扫描。因AI工具失败导致分析缺失或极端离群值、年龄小于18岁、完全相同重复条目错误以及患者死亡报告错误的患者被排除(图1)。为澄清AI工具排除极端离群值的情况,VAT密度值高于−60 HU和低于−120 HU被省略,原因是当VAT面积变得极小时AI工具的可靠性问题,包括分析中纳入非VAT组织或受部分容积效应影响导致测量错误。5328例患者无法获得VAT测量值(图1),可能由于扫描为定位像、位于L3以上或以下、或文件损坏。

图1. 流程图,说明将受试者从最终研究数据集中排除的因素。 查看原图 ↗

CT技术

患者接受了包含腹部的各种CT检查方案。这些方案包括不同的对比剂期相、X射线管电位和剂量范围。纳入了来自不同制造商的多种扫描仪。

全自动人工智能CT脂肪生物标志物

每个DICOM数据集均经过预处理,包括几个关键步骤:(1)从给定序列的DICOM文件开始,确保患者方向为标准左-前-上(LAS)体素排序,(2)进行体积切片采样均衡化并重采样至均匀的3×3 mm采样和层厚,(3)CT值归一化(去除厂商亨斯菲尔德单位[HU]偏移),以及(4)转换为每个序列单个NIFTI文件以供处理。所有4个数据准备和归一化步骤均使用由Bash和Python脚本混合实现的程序自动执行。下一步是定位第一和第三腰椎椎体(L1和L3水平)。这些水平用于确保腹部的充分覆盖,以及将脂肪测量定位到一致的解剖位置。椎体定位使用基于卷积神经网络(CNN)的无监督身体部位回归(UBR)算法自动执行。16,17 该深度学习模型在Caffe18中实现,并以切片编号形式提供第十二胸椎(T12)至第四腰椎(L4)椎体的预测水平。

随后在L3水平进行腹部脂肪的自动分割。5 该语义分割将所有体素分类为内脏脂肪、皮下脂肪或两者皆非;这是通过使用模糊c均值聚类脂肪组织和使用活动轮廓模型分离皮下和内脏脂肪来实现的。19 从该分割图像中,计算SAT、VAT和总脂肪组织(TAT)的面积(以mm2为单位)以及内脏脂肪隔室的CT HU值。

静脉对比剂是一个需要考虑的重要因素,因为它可能影响测量的组织密度。20–22 VAT是从不同对比剂期相的腹部CT扫描中计算的。当患者有多次扫描可用时,AI工具按以下优先顺序自动选择扫描:首先为非增强,其次为门静脉期,同时尽可能避免动脉期。在我们包含151 141例患者的完整数据集中,62.7%的扫描为增强扫描,37.3%为非增强扫描。对所有增强扫描应用了对比剂校正,具体如下:VAT面积值乘以1.063的校正因子(与面积无关),VAT HU值在−120 HU处加上+3.9 HU,线性增加至−60 HU处的+6.8 HU。0.03%对比剂状态未知的扫描未进行增强校正。23

临床结局指标

临床变量包括患者年龄、性别和BMI,从电子健康记录(EHR)中获取。CT后的关注结局为任何原因导致的死亡。事件(即死亡)日期从EHR中确定。对于未发生事件的患者,记录了EHR中最后一次临床随访的日期。

统计分析

男性和女性(自我报告)分别进行分析,若其生存指数之间的差异太小而无临床意义,则将数据进行合并。为尽量减少年龄对生存指数的影响,患者被分为4个年龄组(18-39、40-59、60-79和80+岁)。死亡日期和末次联系日期用于生成Kaplan–Meier(KM)生存曲线。对于每个性别和每个年龄组,患者根据其内脏脂肪(VAT)面积分为4个四分位数(Q1至Q4)。每个四分位数进一步分为VAT HU值高于或低于中位数的患者。Q1或Q2中VAT HU值低于各自中位数的患者被分配至“低面积/低HU”组。Q1或Q2中HU值高于中位数的患者被分配至“低面积/高HU”组。Q3和Q4中的患者同样酌情分配至“高面积/低HU”和“高面积/高HU”组。对每个年龄组的这4种VAT组合分别生成KM生存曲线,并使用对数秩检验计算风险比。合并所有VAT面积数据后,风险比还按5 HU的间隔对照VAT HU绘制。与VAT HU不同,VAT面积的测量值随性别和年龄变化很大。为控制这一点,风险比按允许性别和年龄组的百分位分箱绘制。对于40至59岁年龄组中在CT扫描1年内有体重指数(BMI)测量值的男性和女性,根据其BMI四分位数创建KM生存曲线,并与同一受试者中4个VAT面积/HU组的KM曲线直接比较。统计分析使用Statistics Kingdom软件(Statistics Kingdom,墨尔本,澳大利亚)进行。P值<.05被认为具有统计学意义。95%置信区间使用泊松统计计算。

结果

患者样本

最终研究样本包括136 895名成年人(平均年龄53岁;52%为女性),他们因任何原因接受了腹部CT成像,如Figure 1所示。参与者主要为白人,占89.1%,另有黑人5.1%、亚洲人2.2%、美洲印第安人1.1%、未知或无信息1.5%、拒绝回答0.8%和夏威夷人0.2%。共有9059名患者在CT检查后第一年(第1年)死亡,18 829名患者在CT检查后2至20年(第2-20年)死亡。在20年时间点,平均随访时间为6.4年,中位随访时间为4.9年,27 888名(20.4%)患者已死亡,105 127名(76.7%)失访,3880名(2.8%)仍在研究中。

基于脂肪的身体成分测量指标

按年龄和脂肪体成分测量的患者特征总结于表1。最大的年龄组为40-59岁(n = 52 282)。总体而言,平均VAT面积随年龄增长而增加,直至60-79岁,此后在80岁及以上的男性和女性中均下降,女性从76 cm2增至128 cm2再增至154 cm2,随后降至136 cm2(P < .0001),男性从121 cm2增至215 cm2再增至259 cm2,随后降至247 cm2(P < .0001)。以HU测量的平均VAT密度未显示这种随年龄变化的趋势。按年龄和VAT面积/密度组合分类的患者特征总结于表S1(见在线补充材料)。图2显示了按面积和密度划分的4种组合各自的腹部VAT测量代表性示例。图3显示了CT检查后头2年的每月死亡数以及按年龄范围划分的CT检查后长达20年生存概率的Kaplan–Meier曲线。正如预期,年龄是总体生存的强预测因子,80岁及以上人群导致CT检查后头2年死亡增加,其次是60-79岁人群。

CT后第1年和第2至20年死亡相对风险作为VAT面积和VAT密度函数的曲线见图4。VAT密度升高从略高于−85 HU开始增加死亡风险。在两个时间段内,HR在−100 HU之后稳步升高,最低死亡风险出现在略低于−100 HU处,最高死亡风险出现在略高于−65 HU处。在其峰值时,第1年HR接近4.0,第2-20年接近2.0。相反,VAT面积未带来风险增加,HR维持在1.0附近,除了极低和极高两端,死亡风险略有增加。对所有年龄组合并拟合单条曲线的合理性依据见图S1(彩色版见在线补充材料),其突出显示了所有年龄组的相似趋势。

表S2(见在线补充材料)列出了为评估4个VAT组(即VAT面积/HU的Low/Low、High/High、High/Low和Low/High,Low = 低于中位数,High = 高于中位数)之间相对风险而创建的VAT面积四分位数阈值及相应的VAT密度中位数阈值。图5和表2显示了这4个VAT组各自的死亡时间-事件分析结果。无论VAT面积如何,第1年和第2-20年最高死亡风险均由高VAT密度驱动。VAT密度在所有年龄组中 similarly 预测风险,且无论VAT面积如何,死亡风险增加持续存在。按年龄组划分的第1年最高风险为18-39岁组高VAT面积合并高VAT密度(HR = 1.67,P < .001),其次为40-59岁、60-79岁和80岁以上组低VAT面积合并高VAT密度(HR分别为1.66、1.56、1.43;P < .001)。图S2(彩色版见在线补充材料)显示,在40-59岁人群中,男性和女性的风险相似,支持将性别合并用于图5和表2。

评估年龄40-59岁最大子集中内脏脂肪(VAT)面积与VAT密度相同组合的Kaplan–Meier生存概率图见图6。在第1年及第2至20年,VAT密度高且VAT面积高(黑色曲线)或VAT面积低(绿色曲线)的男性和女性均观察到最差生存率。VAT密度高的患者(绿色或黑色曲线)在视觉上可与VAT密度低的患者(红色或蓝色曲线)区分,提示无论VAT面积如何,VAT密度高均与风险增加相关。检查评估BMI四分位数的Kaplan–Meier生存概率图,与4个VAT组的类似图相比(图S3——彩色版见在线补充材料),任何BMI四分位数之间的视觉分离或四分位数之间的死亡时间事件差异相对较小。

VAT密度和VAT面积百分位数的风险比自然对数图显示二者均为衰老的负担(图S4——彩色版见在线补充材料)。对于在各自CT检查后第1年内死亡的患者,VAT面积百分位数增加10%相当于年轻9个月,而VAT增加10 HU相当于衰老11年。检查CT后2至20年内死亡的患者,VAT面积百分位数增加10%相当于年轻2周,且无统计学显著性;然而,VAT增加10 HU相当于衰老4年。

图2. 4例患者在L3水平的轴位CT图像,左侧无自动分割描绘,右侧有内脏脂肪组织(VAT)自动分割描绘,分别对应高VAT面积/高VAT HU(左上)、高VAT面积/低VAT HU(左下)、低VAT面积/高VAT HU(右上)和低VAT面积/低VAT HU(右下)组合。 查看原图 ↗
图3. (A) 研究对象在CT扫描日期后前2年内的每月死亡率。每月死亡率以仍存活且未失访的受试者数量的百分比绘制。误差棒使用泊松统计计算。(B) 研究前20年4个年龄范围受试者(基线年龄:18-39、40-59、60-79和80+岁)的Kaplan–Meier(KM)生存曲线。 查看原图 ↗
表1. 患者特征。 查看原表 ↗
图4. (A) 死亡相对风险作为VAT面积百分位数的函数。百分位数分别按男性和女性及各年龄组计算,并为本图合并。VAT面积按以下百分位数分组:0%-5%、5%-10%、10%-20%、20%-30%、……、80%-90%、90%-95%和95%-100%。第1年和第2至20年的曲线分别绘制。数据合并了男女两性及所有年龄组。误差棒为±1.96 SE。(B) 死亡相对风险作为VAT HU的函数,以5 HU为间隔从−120至−60。第1年和第2至20年的曲线分别绘制。数据合并了男女两性及所有4个年龄组。误差棒为±1.96 SE。 查看原图 ↗
图5.(A)研究第一年的相对死亡风险,作为受试者所属的VAT面积和VAT HU组的函数。Lo Area组的受试者其VAT面积低于同性别和年龄组的中位数。Hi Area组的受试者其VAT面积高于同性别和年龄组的中位数。Lo HU组的受试者其VAT HU低于其VAT面积四分位数的中位数。Hi HU组的受试者其VAT HU高于其VAT面积四分位数的中位数。风险比分别针对研究中的4个年龄组计算。误差条为±1.96 SE。(B)与(A)相同,但显示第2年至第20年的死亡风险。 查看原图 ↗
表2. 不同VAT组的风险比和95%置信区间。 查看原表 ↗
图6.(A)研究第一年的Kaplan–Meier(KM)生存曲线,对象为CT扫描时年龄40至59岁的男性。KM曲线根据受试者所属的VAT面积和VAT HU组分别绘制(即Lo Area和Lo HU;Hi Area和Lo HU;Lo Area和Hi HU;Hi Area和Hi HU)。这些组的定义在图5的图例中解释。(B)与(A)相同,但KM曲线绘制的是男性自CT扫描日期起第1年末至第20年末之间的死亡;(C)研究第一年的KM曲线,对象为CT扫描时年龄40至59岁的女性。(D)与(C)相同,但KM曲线显示女性自CT扫描日期起第1年末至第20年末之间的死亡。 查看原图 ↗

讨论

在本研究中,对136 895名接受腹部CT检查的成人评估了基于全自动CT的内脏脂肪测量。VAT密度是CT检查后第一年以及第2年至第20年整个期间死亡的强有力且显著的预测因子。相反,VAT面积不是死亡的显著预测因子。这些结果在性别之间和所有年龄范围内相似。VAT密度和VAT面积的组合显示高VAT密度是风险的驱动因素,无论VAT面积是高还是低。因此,在4种不同组合(即低面积/低HU、高面积/低HU、低面积/高HU和高面积/高HU)中,风险最低的是两个低密度组,风险最高的是两个高密度组。这些结果在两种性别和所有年龄组中均持续存在。相比之下,BMI无法充分预测死亡风险(仅在我们最大的年龄组40-59岁中评估)。这些发现突显了VAT密度在预测生存中的作用,并且可以使用全自动AI CT脂肪工具得出。

衰老中与内脏脂肪量相关的风险

肥胖是全因死亡率的明确危险因素;然而,衰老与腹部区域脂肪组织的重新分布相关,这种分布可能更好地预测风险。这种重新分布和脂质的异位积聚以皮下脂肪细胞内代谢失调为标志,导致皮下脂肪无法摄取过多的循环游离脂肪酸。24,25 脂质从皮下脂肪分流并在内脏脂肪组织(VAT)内摄取增加的现象随年龄增长而加剧,并且比总脂肪量或BMI更能预测不良结局。8,26 尽管本研究结果确实显示VAT面积随年龄增长而增加,但在控制年龄后,它对死亡的预测能力较弱。虽然在<60岁的2个年龄组中风险略有增加,但在≥60岁的人群中基本不存在(数据未显示)。这可能部分解释为生命后期个体VAT面积的部分逆转。这些结果在很大程度上证实了一项大型系统综述以及对多个以健康成人为主的队列中VAT量相关风险的审查结果。8 这些数据可能说明其他临床变量的重要性,包括饮酒、吸烟和体力活动,这些因素可能掩盖VAT面积的后果,并挑战了长期以来认为无论年龄如何VAT面积本质上与不良结局相关的观念。关于其他基于自动CT的VAT指标及其与VAT面积相关的长期后果,目前知之甚少。

衰老过程中内脏脂肪密度相关的风险

此处发现的高VAT密度的后果可能是年龄相关的白色脂肪组织功能障碍所致,进而导致胰岛素抵抗、炎症和肥胖。12,13 在白色脂肪组织肥大和扩张增加的情况下,脂肪组织发生重塑,这是由于血管分布和氧气供应减少,随后产生胶原蛋白的基因上调。27 这已在老年小鼠的VAT中得到证实,突出表现为胶原染色显著增加导致纤维化。28 与纤维化相关的肥大性生长是驱动衰老过程中脂肪组织功能障碍的关键因素12,并可通过基于CT的方法进行测量。脂肪组织内发生的这些年龄相关的细胞和分子变化可能为本研究中发现的VAT密度增加的不良后果提供背景解释。

在Health ABC研究(n = 898)中,即使在平均年龄73岁的健康成人中调整总脂肪和BMI后,VAT密度仍与死亡率相关。29 在Framingham心脏研究(n = 3324)中约50岁的较年轻健康成人群体中也显示了类似结果,其中VAT密度与全因死亡率和癌症死亡率相关。30 这些结果可能指向衰老过程中伴随白色脂肪组织肥大性生长的代谢功能障碍的不良后果。我们的结果在这些研究基础上进行了扩展,表明高VAT密度与18岁至80岁以上所有年龄段的死亡风险增加相关。

疾病状态下内脏脂肪密度相关的风险

白色脂肪组织功能障碍会导致由疾病相关炎症、纤维化和免疫细胞浸润所诱导的形态学改变。基于CT的脂肪组织密度可能同样反映这些代谢异常。在表现为肝硬化的肝病患者中,皮下脂肪组织(SAT)密度与死亡率增加相关。14 SAT密度的增加经活检证实,显示了脂肪细胞萎缩、细胞外基质扩展、巨噬细胞浸润及随后纤维化的组织学特征。14 CT测量的SAT和内脏脂肪组织(VAT)密度同样与胰腺癌患者的总生存期相关。31 这可能由对癌症的高代谢反应解释,该反应引起全身炎症反应、免疫细胞浸润,并通过上调解偶联蛋白1(UCP1)导致白色脂肪褐变。32 UCP1的诱导伴随较小、萎缩的脂肪细胞及扩展的纤维化细胞外基质等组织学特征。VAT和SAT密度类似影像学特征的预后能力也已在肉瘤患者中进行了评估;然而,结果相互矛盾。33,34

基于人工智能的身体成分工具的开发为腹部脂肪特征提供了见解,这些特征可能更好地预测重要结局。这些快速且可重复的工具不仅能够通过个性化医疗实践改变临床照护,还能预测归因于大型社区和人群的独特风险特征。然而,我们承认本研究存在一些局限性。首先,这是一个大型回顾性队列,纳入因任何指征接受CT检查的个体;一些将是健康的常规筛查队列,而另一些则是为了识别和分期暴发性疾病过程。由于我们人群的规模以及病历数据一致性的限制,无法区分健康参与者与患病者。此外,我们发现我们的AI工具在极低VAT面积测量时不可靠,导致参与者被排除。我们希望这将通过该工具的未来迭代得到改善,未来版本将在低VAT图像上进行额外训练。由于我们队列规模庞大,手动纠正这些问题不可行。相关地,评估可能影响测量的图像问题也不可行,例如腹水或全身水肿等临床异常,或植入硬件等伪影异常。作者承认,来自国家死亡指数(NDI)的死亡率数据可能比从健康记录获取的死亡率数据更完整。然而,由于样本量大,将参与者与NDI链接在操作上强度大且对本研究不可行。最后,许多研究使用VAT指数作为指标。然而,我们队列的规模使我们无法获得所有受试者的一致身高数据,因此我们报告未调整的VAT HU值。

无论如何,CT放射学评估可以识别由衰老和疾病引起的脂肪组织异常。这两种情况都会导致随之而来的代谢功能障碍,进而导致不良结局,而这些结局可通过基于CT的自动化工具进行检测。其次,尽管我们应用了先前建立的校正因子,对增强检查得出了等同于非增强检查的结果,但这一大型队列混合了增强和非增强检查。23 无论如何,由于脂肪组织的灌注低于骨骼肌,对比剂的影响可能可以忽略不计。35 最后,所分析的患者队列以白人为主,限制了按种族或民族进行进一步分析。这应在后续通过更多样化的多中心队列加以解决。

总之,基于人工智能的全自动CT身体成分工具可用于获取内脏脂肪(VAT)测量值,从而评估大型队列中的风险。无论VAT面积如何,高VAT密度都是死亡风险的重要预测因子。这些发现凸显了增加VAT密度的VAT形态学特征而非VAT数量的重要性。这些工具的临床实施可通过利用目前尚未被使用的数据,以更全面的方法进行死亡风险预测,从而增强以患者为中心的照护。

补充材料

引用

  1. Kuchnia AJ, Blake GM, Lee MH, et al. Automated CT-based visceral fat density predicts mortality regardless of visceral fat area. Br J Radiol. 2026. PMID: 41527259. doi:10.1093/bjr/tqag001
  2. 全文:PMC13016999(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13016999/

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。