基于AI CT的COPD患者身体成分对骨-血管轴的影响
本研究回顾性分析多中心COPD队列中539例患者的胸部CT,利用AI工具测量T12椎体骨密度(BMD)、总胸部血管钙化(TTVC)及身体成分。结果显示T12 BMD与TTVC呈负相关,但IMAT指数在调整年龄、吸烟及代谢指标后仍与TTVC独立相关。T12 BMD与IMAT的交互作用在未调整年龄的模型中显著,提示该作用可能受年龄影响。
要点
- COPD患者T12椎体HU值越低,TTVC钙化体积越高,提示低骨密度与血管钙化共存。
- 高IMAT指数独立预测更高TTVC,阅片时应关注肌肉内脂肪浸润与胸部血管钙化。
- T12 BMD与IMAT的交互作用依赖年龄,年轻患者中低BMD伴高IMAT提示钙化风险增高。
核心结论
- IMAT指数在多变量模型中与TTVC独立相关,β = 0.15,95% CI 0.015–0.28,p = 0.029。
- T12 BMD与IMAT的交互作用在纳入年龄后失去显著性,提示观察到的交互可能受年龄影响。
- 传统身体表型(正常、肌少症、非肌少性肥胖、肌少性肥胖)不能显著改变骨-血管轴关系。
研究设计与样本
- 研究类型为回顾性研究,来自多中心前瞻性COSYCONET研究,最终纳入539例COPD患者。
- 胸部CT使用非增强、非心电门控、低剂量方案,薄层0.625–1.25 mm,多数120 kVp。
- AI工具AIRC测量主动脉钙化体积及T12椎体HU值,AVIEW量化冠状动脉钙化,BOA生成身体成分。
- 传统身体表型按FFMI和体脂百分比的性别特异阈值分为正常、肌少症、非肌少性肥胖、肌少性肥胖。
- TTVC为主动脉钙化体积与冠状动脉钙化体积之和,单位为mm³;身体成分指标按身高归一化为liter/m²。
关键影像表现/征象
- T12 BMD在肌少症组最高,为139.0 HU(108.5, 170.0),在肌少性肥胖组最低,为117.0 HU(90.2, 140.0)。
- TTVC从正常营养状态组427.0 mm³(66.6, 1857.4)到肌少性肥胖组1053.5 mm³(168.0, 3071.8)。
- 按T12衰减四分位分组,TTVC从Q1至Q4呈渐进性下降,Q1与Q3、Q1与Q4、Q2与Q4、Q3与Q4差异显著。
- 高IMAT组T12 BMD更低(p < 0.01)而TTVC更高(p < 0.01),且BMI、SAT指数、pack-years、HbA1C更高。
- 高IMAT组HDL更低、TUG时间更长、6-MWD更短、IPAQ更低,但FEV1/FVC和DLCO更高。
诊断标准与关键数值
- T12 BMD与TTVC的人群负相关:正常营养状态β = -0.38(p < 0.01);肌少症β = -0.36(p < 0.01);非肌少性肥胖β = -0.24(p < 0.01)。
- 在包含T12 BMD、IMAT及交互项的基线模型中,三者均显著,提示低BMD与高TTVC的负相关随IMAT指数增加而增强。
- 分IMAT高低两组后,高IMAT组R2 = 0.481(调整R2 = 0.418),低IMAT组R2 = 0.438(调整R2 = 0.372)。
- 低IMAT组中SAT指数(p = 0.046)和IMAT指数(p < 0.01)与TTVC独立相关,高IMAT组中年龄、pack-years、COPD病程及HbA1C显著。
- 步骤交互模型显示年龄单独使调整R2增加0.17,解释最大份额的方差。
临床应用与阅片要点
- 胸部CT阅片时不应忽视T12椎体HU值,低密度提示骨质疏松风险,同时应主动观察胸主动脉及冠状动脉钙化。
- 肌肉内脂肪浸润(IMAT)可作为COPD患者血管钙化及代谢脆弱状态的影像生物标志物。
- BMI不反映的异位脂肪(IMAT)比整体肥胖更能预测血管钙化,报告身体成分时建议记录IMAT。
- T12低衰减与广泛血管钙化并存是老年相关改变,解读时应结合年龄避免过度归因于单一机制。
- 非心电门控CT的CAC量化可能不精确,报告血管钙化体积时应说明扫描条件。
局限性
- 横断面设计无法判断T12 BMD、IMAT与TTVC之间的时间关系及因果关系。
- 非心电门控胸部CT可能导致血管钙化量化不精确,扫描机型和参数异质性可能引入变异性。
- 胸部CT范围未覆盖腹部,无法分析内脏脂肪组织(VAT)。
- 没有非COPD对照组,疾病特异效应难以评估;来自影像亚队列的选择偏倚无法排除。
- 维生素D水平、钙代谢、皮质类固醇使用时长等混杂因素未被获取,残余混杂不能排除。
全文中译15 节 · 点击展开
引言
慢性阻塞性肺疾病(COPD)是一种异质性疾病,其特征为肺气肿和气道异常对肺功能损害的不同贡献,影响约3.84亿人,全球患病率为11.7%,被公认为第三大死亡原因[1, 2]。尽管其影响广泛,但传统的分类系统如慢性阻塞性肺疾病全球倡议(GOLD)分期在反映COPD临床异质性方面存在局限性,尤其是在与合并症的复杂动态相互作用方面[3–5]。
近年来,人们日益认识到COPD管理需要个体化方法[6–8]。疾病进展、症状负担和治疗反应的变异性凸显了传统治疗模式的局限性[6, 9–11]。一个日益受到关注的领域是身体成分在影响疾病表型和预后中的作用。近期研究表明,BMI正常的COPD患者中超过50%存在去脂体重指数降低[12]。此外,据估计肌少症总体上影响约25–30%的COPD患者[13–17]。COPD中身体成分的改变反映了全身性过程,如炎症、代谢功能障碍和激素变化[14, 15, 18, 19]。这些变化与COPD常见合并症相关,包括骨质疏松症和冠状动脉疾病[20–23]。荟萃分析报告COPD患者中骨质疏松症患病率约为38%,椎体骨折影响超过20%的患者[24–27]。同样,冠状动脉疾病在COPD中非常普遍(20–60%),并受内脏肥胖和肌肉消耗的影响[28–30]。这些重叠特征提示存在共同的病理生理学基础,但尚待评估。
尽管存在这些关联,影像学衍生的身体成分表型与COPD合并症之间的相互作用仍未得到充分表征。因此,本研究在一个COPD队列中探讨不同身体成分表型与骨质疏松症和动脉钙化的关联。通过基于人工智能(AI)的CT扫描分析,我们旨在探讨身体成分对骨-血管轴的影响,以指导未来COPD患者风险分层和管理中表型特异性的个体化策略。
材料与方法
研究人群
所有研究程序均获得菲利普斯马尔堡大学伦理委员会批准(参考编号:AZ 2010-28),并遵循修订版《赫尔辛基宣言》规定的伦理标准。入组前,所有参与者均签署了书面知情同意书。COSYCONET研究已在ClinicalTrials.gov注册(ID:NCT01245933),详细方法学已在既往文献中记载[31]。一个由601名参与者组成的亚组接受了低剂量计算机断层扫描(LDCT)。在本研究中,540例患者成功完成了自动化、AI驱动的分析。经质量控制后,1例患者因用于传统身体成分表型的生物电阻抗分析(BIA)数据缺失而被排除。因此,最终队列由539例患者组成(图1)。
数据收集
临床和功能数据
人口统计学、临床和功能特征在每位参与者CT扫描最近的研究访视中获取。如果该次访视的数据缺失,则使用下一次可用随访的数值以确保完整性。本研究中使用的人口统计学和人体测量数据包括年龄、性别、体重、体重指数(BMI)以及病史数据,包括COPD自诊断以来的病程(年)、吸烟(包年)以及目前口服或吸入性糖皮质激素(ICS)的使用情况。研究的代谢和炎症标志物包括IL-6、IL-8、TNF、HbA1C和HDL。肺功能通过肺活量测定和弥散功能检测进行评估,所有参考值均来源于全球肺功能倡议标准。分析的主要肺功能变量包括第1秒用力呼气容积(FEV₁)、用力肺活量(FVC)、Tiffeneau指数和一氧化碳弥散量(DLCO)。Tiffeneau指数(FEV₁/FVC)用作气流受限的指标,代表用力呼气第一秒内呼出的用力肺活量(FVC)的比例(FEV₁),反映相对于肺容积的呼气气流。COPD严重程度根据GOLD标准进行分类,既按气流受限程度(GOLD 1–4)分类,也按症状和急性加重负担(A–D)分类。身体活动和活动能力评估包括起立-行走计时测试(TUG)、6分钟步行距离(6-MWD)、步速和国际体力活动问卷(IPAQ)。进一步的临床评估包括BODE指数、COPD评估测试(CAT)和改良版英国医学研究委员会(mMRC)呼吸困难量表。
身体成分表型
常规身体成分表型根据去脂体重指数(FFMI)和体脂百分比(BF%)进行划分,并应用性别特异性截止值。如果男性FFMI ≥ 17 kg/m²或女性FFMI ≥ 15 kg/m² [32],且男性BF% < 25%或女性BF% < 35% [33],则个体被归类为营养状况正常。非肌少性肥胖定义为FFMI正常且BF%升高。如果FFMI低于性别特异性阈值且BF%超过既定截止值,则归类为肌少性肥胖。肌少症定义为FFMI和BF%均偏低。
CT采集
胸部LDCT检查在德国多个临床中心进行,使用了来自主要制造商的各种扫描仪型号。设备包括西门子医疗(Siemens Healthineers)的系统,如SOMATOM Definition系列、SOMATOM Force和Sensation 40/64;GE医疗(GE Healthcare)的Optima CT660和LightSpeed VCT等型号;以及飞利浦医疗(Philips Healthcare)的iCT 256。尽管硬件存在差异,各中心均采用非增强、非门控、低剂量方案进行标准化图像采集。成像在完全吸气状态下进行。大多数扫描采用120 kVp的管电压,部分扫描采用100或140 kVp。本研究选取薄层(通常为0.625 mm至1.25 mm)轴位扫描图像。CT检查与相应临床访视之间的中位时间间隔为50天,标准差为148.09天。
基于AI的胸部CT分析
使用AI-Rad Companion Research Chest CT Explore V1.3(AIRC)(西门子医疗)对主动脉钙化和平均椎体密度进行基于AI的评估。胸主动脉钙化负荷以绝对体积(mm³)表示。椎体骨密度(BMD)通过T12椎体的平均密度值近似估算,以亨氏单位(HU)表示。
使用AVIEW v1.1.42.8-win(Coreline Soft)对基于AI的冠状动脉钙化(CAC)进行评估,可在非心电门控CT扫描上对四支主要冠状动脉的CAC进行全自动定量[34]。为研究患者的总胸血管钙化(TTVC)负荷,将主动脉钙化体积与CAC体积相加,以mm³表示。
对于患者更详细的身体成分分析,将“身体与器官分析”工具(BOA)[35–37]应用于CT扫描。该工具通过全自动检测胸腔,提供肌肉、皮下脂肪组织(SAT)、内脏脂肪组织(VAT)和肌间脂肪组织(IMAT)的体积测量(图2)。本研究将体积指标按患者身高进行标准化,所得指数以升/m²表示。
统计分析
所有分析均在Python 3.12.7中完成。连续变量的正态分布采用Shapiro–Wilk检验进行评估,并结合直方图和Q-Q图进行目视检查。分类变量以计数和百分比进行汇总,连续变量以中位数和四分位距进行汇总。组间比较采用Mann–Whitney U检验或Kruskal–Wallis检验,随后进行经Bonferroni校正的Dunn事后检验。由于分析是假设驱动的,并基于预先指定的变量,因此未进行多重比较的全局校正。对于分类数据,使用卡方检验或Fisher精确检验。根据变量的偏斜程度,采用z-score标准化或对数转换后z-score标准化。基于CT的身体成分指标进行对数转换,随后进行按性别分层的z-score标准化。
为探讨与TTVC的关联,进行了单变量和多变量线性回归分析。模型构建基于完整病例分析;未使用插补。多重共线性使用方差膨胀因子(VIF)评估,低于5的值被认为可接受。采用逐步方式建立交互模型,以检验不同协变量组对骨-血管轴的影响,包括BMI、临床协变量、代谢协变量、肺功能协变量、体适能协变量和年龄。模型比较基于对数似然比检验、赤池信息准则(AIC)和贝叶斯信息准则(BIC),以及校正R²值。统计学显著性定义为p < 0.05。
结果
人口学特征
共有539名参与者被分为营养状况正常(n = 117)、非肌少性肥胖(n = 317)、肌少症(n = 55)和肌少性肥胖(n = 50)四组。组间比较显示年龄、性别、体重和BMI存在显著差异。体重范围从肌少症组的中位55.0 kg到非肌少性肥胖组的85.0 kg。同样,中位BMI值范围从19.6 kg/m²(肌少症组)到28.8 kg/m²(非肌少性肥胖组)。此外,在吸烟包年数、GOLD分级、肺功能参数、体适能参数以及代谢实验室检测值方面也发现了显著差异。T12 BMD在肌少症组最高(139.0 HU(108.5,170.0)),在肌少性肥胖组最低(117.0 HU(90.2,140.0)(p < 0.01))。TTVC也显示出显著差异(p = 0.03),范围从营养状况正常组的427.0 mm³(66.6,1857.4)到肌少性肥胖组的1053.5 mm³(168.0,3071.8)(表1)。
临床参数与TTVC的关联
采用逐步线性回归分析研究临床变量与TTVC的关联(表2)。第一个多变量模型(模型1)仅纳入临床变量,模型2校正了传统身体成分表型,模型3校正了基于CT的身体成分指标。
在控制多重共线性后,模型1中保留了22个变量(R² = 0.422,调整后R² = 0.394)。年龄(β = 0.54,p < 0.01)、吸烟包年数(β = 0.15,p < 0.01)和HbA1C(β = 0.08,p = 0.042)达到统计学显著性。模型2的解释方差未显著增加(R² = 0.424,调整后R² = 0.392;对数似然检验p = 0.62),且没有任何传统身体表型具有独立相关性。虽然在模型3中,校正基于CT的身体成分指标后,肌间脂肪组织(IMAT)指数被确定为显著变量(β = 0.14,p = 0.04),独立于年龄(p < 0.01)、吸烟(p < 0.01)和HbA1C(p = 0.04),解释方差增加至R² = 0.429,调整后R² = 0.397;对数似然检验p = 0.14。
根据身体表型分析T12骨密度与TTVC的关联
T12衰减四分位数
为探讨T12骨密度与TTVC之间的关系,将参与者按骨密度四分位数(Q1–4)分层。TTVC体积在Q1中最高,并随四分位数升高而逐渐下降,Q1与Q3相比(p < 0.01)、Q1与Q4相比(p < 0.01)、Q2与Q4相比(p < 0.01)、Q3与Q4相比(p = 0.046),TTVC体积均显著更高,表明存在反向关联(图3)。
身体表型的影响
T12骨密度与TTVC之间的负相关在所有传统身体表型中均一致,在营养状态正常表型(β = −0.38,p < 0.01)、肌少症(β = −0.36,p < 0.01)和非肌少性肥胖表型(β = −0.24,p < 0.01)中达到统计学显著性。然而,在包含T12骨密度和身体表型的TTVC交互模型中,除T12骨密度×肌少性肥胖表型交互项(β = 0.41,p < 0.01)外,各表型未显示出显著效应,且该交互项在校正其他混杂因素后失去显著性。
低IMAT与高IMAT患者组之间的差异
根据IMAT指数中位数,将患者分为两组。高IMAT组显示出显著更高的BMI(p < 0.01)、皮下脂肪组织(SAT)指数(p < 0.01)、吸烟包年数(p < 0.01)和HbA1C(p < 0.01),同时HDL较低(p < 0.01)。他们还表现出更差的功能状态,起立-行走计时测试(TUG)时间更长(p < 0.01),6分钟步行距离(6-MWD)更短(p < 0.01),体力活动(IPAQ)更低(p = 0.03)。尽管高IMAT组中GOLD 3–4级患者较少(p = 0.03),且Tiffeneau指数(p < 0.01)和DLCO(p < 0.01)较高,但他们报告了更多呼吸系统症状,CAT评分更高(p < 0.01),mMRC分级更高(p < 0.01),这也反映在ABCD分级的分布中(p < 0.01)。此外,高IMAT组中T12骨密度较低(p < 0.01),而TTVC较高(p < 0.01)。详细结果见补充表1。
完全校正的线性回归模型揭示了两组不同的显著关联(表3)。在高IMAT组中(R² = 0.481,校正R² = 0.418),年龄(p < 0.01)、吸烟包年数(p < 0.01)、COPD病程(p = 0.04)和HbA1C(p = 0.04)达到统计学显著性;而在低IMAT患者组中(R² = 0.438,校正R² = 0.372),除年龄(p < 0.01)和吸烟包年数(p = 0.01)外,SAT指数(p = 0.046)和IMAT指数(p < 0.01)与TTVC独立相关。
骨-血管轴的交互作用模型
在TTVC的基线交互作用模型中,纳入T12 BMD、IMAT以及交互项T12 BMD × IMAT后,三个变量均达到统计学显著性,提示低骨密度与高TTVC之间的负相关随IMAT指数增加而增强。在逐步建模的所有模型中,即使经过包括年龄在内的完全校正后,IMAT仍保持独立相关性。一旦加入IMAT,BMI便失去显著性,证实了IMAT的优越性。交互项T12 BMD × IMAT在加入年龄之前的各模型中均显著,提示IMAT对骨-血管轴的调节效应存在,但具有年龄依赖性。吸烟暴露、代谢功能障碍、肺功能损害和身体衰弱均逐渐增加了模型的解释价值,但仅年龄一项通过使校正R²增加0.17便解释了最大的方差份额。表4和补充表2总结了结果。
讨论
骨质疏松、肥胖、肌肉减少症和动脉硬化被认为是COPD患者中常见的合并症,但关于它们之间相互作用的知识仍十分有限。我们在一项纳入539例COPD患者的多中心队列研究中,探讨了体成分分析在骨质疏松骨-血管轴背景下的作用。尽管T12 BMD在不同体表型中均显示与TTVC一致的反向关联,但交互作用模型未能证实体表型对骨-血管轴的显著影响。基于AI的CT体成分分析对模型的贡献更强;IMAT指数即使在完全校正的交互作用模型中仍被证明与TTVC独立相关(β = 0.15,95% CI 0.015–0.28,p = 0.029)。
基于AI的CT分割在评估COPD患者体成分方面已显示出前景,证实了其与疾病严重程度和生存率的关联。现有方法差异很大,大多数研究仅限于单层分析[38];然而,新兴研究表明多层或容积分析可能更具优势[39–42],为心血管、代谢和骨骼合并症的机会性筛查铺平了道路[43]。
既往研究调查了COPD患者合并症的不同方面,特别关注肌肉减少症[13]、骨质疏松[24]和冠状动脉钙化[44];然而,它们之间的相互作用仍未完全阐明。COPD患者骨质疏松发生率更高;此外,肌肉减少症也被报告为一种常见的合并症,患病率差异较大(8–63%)[13, 24]。
骨质疏松和肌少症的替代标志物,如胸部CT上的骨密度(BMD)和胸肌面积,与身体功能、疾病严重程度和死亡率相关[45]。此外,BMD与腹主动脉钙化[46]、冠状动脉钙化(CAC)和椎体骨折[47]相关,反之亦然,较高的CAC与较低的BMD独立相关[48]。在老年SARS-CoV-2患者中进一步分析了骨-血管轴,其中主动脉钙化评分与L1骨衰减之间的负相关在年龄校正后消失[49]。与这些发现一致,我们观察到BMD较低者的胸椎血管钙化(TTVC)较高;然而,与既往报道相似,这种关系并非独立,强调了年龄和临床因素在调节骨-血管轴中的复杂相互作用。
既往研究已将肥胖与CAC[50]和腹主动脉钙化[46]联系起来。虽然我们无法研究内脏脂肪组织(VAT),但我们发现皮下脂肪组织(SAT)和肌间脂肪组织(IMAT)与TTVC相关。在一项人群研究中,身体成分表型也与心血管代谢风险相关[51],该研究报告称,与“低肥胖-高肌肉”组相比,“高肥胖-低肌肉”和“高肥胖-高肌肉”表型均表现出不良的心血管代谢指标,突出了无论肌肉质量如何,肥胖的关键作用。在我们的研究中,BMD在所有表型中均与血管钙化呈负相关,尽管交互模型未证实存在修饰效应。
IMAT在COPD中的作用已成为一个新的关注热点。Jeon等[52]报告称,与对照组相比,COPD患者的正常衰减肌肉面积较低,而IMAT较高。有研究报告称,在老年男性中,较高的腹部IMAT和较低的腰大肌体积与骨质疏松性骨折相关,且独立于BMD[53]。肌间脂肪增加也与较高的全因死亡率相关[38]。Lim等[54]报告称,肌少症性肥胖和非肌少症性肥胖中的IMAT最高,与我们的结果一致。此外,他们强调IMAT比率增加与脂肪组织炎症和较差的功能结局相关。与这些发现一致,我们发现肌少症性肥胖组和肌少症组的肺功能最低,提示在肺功能损害中肌肉丢失是比肥胖更重要的因素。相比之下,身体功能指标表明肥胖是主要决定因素,因为肌少症组的表现优于非肌少症性肥胖组和肌少症性肥胖组。
在我们的研究中,将患者分为低IMAT组和高IMAT组,发现IMAT与肥胖、不良代谢特征和功能损伤相关。肺功能指标相对保留但症状负担更大的矛盾发现可能表明,IMAT反映的是全身性虚弱和代谢失调,而非气流受限的严重程度。高IMAT患者中BMD的降低和TTVC的增加同时存在,支持肌肉中的异位脂肪浸润与肌肉骨骼衰老相关,并可能参与骨-血管轴的形成。
此外,分层分析显示,低IMAT组和高IMAT组中与TTVC独立相关的变量不同,这提示在肌肉脂肪浸润较少的患者中,身体成分可能对血管钙化有更直接的影响,而在高IMAT患者中,钙化过程则与累积的代谢损伤和慢性疾病负担相关。
腹部IMAT此前已被认为与CAC的患病率相关[55]。通过研究胸部IMAT,我们观察到了可比的结果:在逐步交互作用模型中,较高的IMAT始终与较大的TTVC相关,且独立于BMI和其他临床协变量。尽管年龄对模型拟合的改善贡献最大,但IMAT仍解释了年龄或BMI无法解释的变异。
本研究存在值得注意的局限性。其横断面设计限制了对时间关系和因果关系的推断,观察到的关联应据此解读。非心电门控胸部CT扫描可能导致血管钙化定量不精确,扫描设备间的异质性可能给影像衍生指标引入变异。缺乏腹部CT限制了对VAT的分析,缺少非COPD对照组限制了对疾病特异性效应的解释,且鉴于该亚队列基于影像学选择,选择偏倚仍是一个值得关注的问题。此外,维生素D水平、钙代谢、皮质类固醇使用时长和剂量等混杂因素无法获取,限制了多变量模型的解释力,尽管这些因素可能影响骨密度和血管钙化。残余混杂无法排除。
总之,在这一COPD队列中,与BMI不同,IMAT与以代谢失调、身体衰弱和肌肉骨骼衰老为特征的不良身体成分表型相关。这些发现提示,肌肉脂肪浸润可能是COPD中骨-血管轴的一个标志物,反映了肌肉骨骼健康受损与血管钙化之间的联系。未来需要纳入非COPD对照组和独立队列的研究来证实这些发现。
补充信息
电子补充材料
330_2026_12677_MOESM2_ESM
引用
- Budai, Wagner, Havlicek, et al. Body composition's effect on the bone-vascular axis of osteoporosis discovered in AI-based CT analysis of COPD patients. Eur Radiol. 2026. PMID: 42399449. doi:10.1007/s00330-026-12677-3
- 全文:PMC13574876(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13574876/
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。