浴室体重秤可以告诉你体重，体重指数表可以将你归类到大致的类别中。然而，两者都无法显示脂肪的堆积位置或剩余肌肉量，也无法显示随着年龄增长，肌肉是否正在悄然被脂肪浸润。
这一缺口正是新成像研究的核心，该研究利用人工智能分析了66,608人的全身MRI扫描。发表在《放射学》杂志上的这项研究，绘制了按年龄、性别和身高划分的身体脂肪和肌肉分布详细参考图。此外，研究还指出了医生经常忽视的一点：在预测疾病和死亡方面，肌肉质量可能与脂肪数量同样重要。
该研究利用了英国生物银行和德国国家队列的参与者，这两个大型人口研究为研究人员提供了2014年4月至2022年5月期间收集的扫描数据。参与者的平均年龄为57.7岁，平均BMI为26.2。
多年来，医生一直依赖BMI和腰围，因为它们易于测量。德国弗莱堡大学医学中心的放射科医生、该研究的资深作者Jakob Weiss表示，这种便利是有代价的。
"许多风险评分和治疗决策仍然依赖BMI或腰围，因为它们易于获取，"Weiss说，"但BMI不能可靠地反映一个人的实际身体成分。"
AI分析66,000次MRI扫描发现肌肉质量和内脏脂肪可预测糖尿病、心脏风险和死亡率。（CREDIT: AI生成图像 / The Brighter Side of News）
研究团队使用开源深度学习系统，从MRI扫描中测量了身体组成的多个部分：皮下脂肪、器官周围的内脏脂肪、骨骼肌、骨骼肌脂肪分数以及肌内脂肪组织，这是肌肉内脂肪的标志物。
研究人员随后将这些测量值转换为Z分数，显示一个人的身体组成与同年龄、同性别和同身高人群的预期范围偏差有多大。
这一调整很重要。该研究的第一作者Matthias Jung表示，这些测量值既受正常生物学影响，也受疾病风险影响。
"越来越多的证据表明，身体组成测量是心代谢和肿瘤疾病以及死亡率的独立风险因素，"Jung说，"然而，这些测量值受身高和性别影响，并随年龄发生显著变化。"
在整个成年期，扫描显示身体在持续重塑。在女性中，皮下脂肪每十年增加0.42升，内脏脂肪增加0.39升，骨骼肌脂肪分数增加0.90个百分点，肌内脂肪增加0.19分升。与此同时，骨骼肌每十年减少0.48升。
男性遵循类似的模式，尽管某些变化更为陡峭。皮下脂肪每十年增加0.30升，内脏脂肪增加0.60升，骨骼肌脂肪分数增加0.82个百分点，肌内脂肪增加0.17分升。骨骼肌每十年减少0.78升。
肌肉衰退比许多人预期的更早开始。分析发现，两性中骨骼肌约从30岁开始下降。与此同时，肌肉脂肪分数和肌内脂肪在整个生命周期中攀升。
并非所有脂肪都发出相同警告
该研究不仅记录了与年龄相关的转变，还测试了英国生物银行群体中哪些身体组成模式与后续疾病相关。在该群体中，有随访结果数据可用。
在排除MRI扫描前已患有糖尿病、使用胰岛素、心脏病发作或中风的人后，结果分析包括34,445人。在平均4.2年的随访中，532人患上糖尿病，553人经历了重大心血管不良事件，563人死亡。
未来糖尿病的最强预警信号是高内脏脂肪。内脏脂肪超过经年龄、性别和身高调整的正常值一个标准差的人，患糖尿病的风险高出2.26倍。即使考虑到年龄、性别、BMI类别、种族、吸烟、饮酒、高血压、血压药物使用和癌症病史，这一结论仍然成立。
肌肉质量以不同方式凸显。高肌内脂肪与重大心血管事件风险增加1.54倍相关。低骨骼肌与任何原因导致的死亡风险增加1.44倍相关。高骨骼肌脂肪分数也与糖尿病和死亡风险增加相关。
这有助于解释为什么两个体重或BMI相似的人可能面临非常不同的未来。
"不仅仅是你有多少肌肉，还有肌肉的质量，"Jung说，"了解肌内脂肪的体积为我们提供了一个窗口，这是BMI、生物电阻抗分析或DEXA等其他方法无法轻易提供的。"
影像还显示了随时间推移的组织变化。在两性中，皮下脂肪随着年龄增长从臀部区域向胸部移动，而内脏脂肪则从骨盆向腹部转移。脊柱旁肌内脂肪从腰椎下部向胸椎上部移动。
Z分数源自全身MRI，用于识别与年龄相关的风险模式，并为糖尿病、心血管事件和死亡提供超出传统风险因素的预后价值。（CREDIT: Radiology）
"正常"的参考图表
该研究最大的贡献之一可能是参考曲线本身。
弗莱堡团队没有使用单一的阈值，而是为全身扫描以及更常规的扫描区域（如胸部、腹部、骨盆和L3椎体单一切片）建立了基于年龄、性别和身高的调整曲线。此外，他们还发布了一个公共网络计算器。因此，研究人员和临床医生可以将自己的患者或数据集与这些基准进行比较。
"调整混杂因素对于提高筛查准确性和定制治疗决策至关重要，"Weiss说，"该工具有可能确定一个人的身体组成是否使其比同龄人面临更高的代谢疾病风险。"
这可能会打开利用现有扫描的更机会性使用的大门。患者可能不需要专门的全身MRI来评估身体组成。
"该工具允许临床医生机会性地使用常规成像，"Weiss说，"不一定需要专门的全身MRI。如果已经存在常规CT或MRI身体扫描，可以从其中提取信息，与参考值进行基准比较。"
他补充说，医院已经在捕获这些信号，但很少测量它们。
"我们每天都在为患者进行成像，"Weiss说，"在每一次腹部或胸部扫描中，信息都在那里，我们只是不常规测量或报告它。AI现在让我们能够以定量、可重复的方式挖掘这一隐藏的数据层。"
身体组成(BC)测量的散点图和参考曲线。（CREDIT: Radiology）
该研究有限制。队列主要由来自德国和英国的白人西方欧洲成年人组成，大多超过20岁且略超重。因此，参考曲线可能无法很好地转移到其他种族或民族群体、儿童、BMI模式非常不同的人，或临床人群中的患者。结果数据也仅在英国生物银行中可用。
研究的实际意义
这项研究表明，未来的风险评估可能会超越体重和BMI，转向更具体的内容：脂肪的位置、剩余肌肉量以及肌肉的健康状况。
在实践中，这可能会加强糖尿病和心血管疾病的筛查，特别是对BMI看起来不令人担忧的人。在癌症护理中也可能很重要，因为身体组成会影响治疗耐受性、毒性、生存和复发。Weiss表示，这种方法甚至可以帮助医生区分使用GLP-1受体激动剂等减肥药物的人的健康脂肪流失和有害肌肉流失。
下一步是在真实临床人群中测试这些参考曲线，并建立特定疾病的基准。如果发生这种情况，胸部或腹部的常规扫描可能不仅提供器官或肿瘤的视图，还可能提供身体本身如何变化的持续记录，以及这些变化是否开始带来代价。
研究结果在线发表在《放射学》杂志上。
原文"AI model helps MRI scans predict diabetes, heart risks and death"发表在The Brighter Side of News上。
相关故事
- 脑部MRI和AI预测大脑年龄、癌症生存率和其他疾病
- AI工具追踪面部老化，帮助医生评估癌症风险
- AI工具在手术前以近乎完美精度预测脑肿瘤
【全文结束】