肌肉疏松症是一种进行性和全身性骨骼肌系统疾病，与跌倒、骨折、残疾甚至死亡等不良后果的增加有关。一项荟萃分析表明，癌症诊断时的低骨骼肌肉指数(SMI)与实体瘤患者的生存率较差有关。在Auclin等学者的研究中，SMI是预测转移性肾细胞癌(mRCC)患者总生存率(OS)的一个独立预后因素。

在测量肌肉疏松症方面，癌症患者首选的影像学工具是计算机断层扫描(CT)。在肿瘤患者中，每位患者都要接受多次CT检查以进行基线和后续评估，并可确定患者在肌肉疏松症方面的基线状况及其随时间的演变。临床上最常使用的分割方法是人工分割，但这种测量方法由于十分耗时且重复性较差，因此在目前的实践中并没有被常规使用。基于深度学习(DL)的分割算法可提高数据处理速度和可重复性，可以符合放射科医生的日常工作流程的方式来测量病人的肌肉疏松情况。

近日，发表在European Radiology杂志的一项研究对深度学习分割算法测量SMI进行技术和临床验证，以确定患者的肌肉疏松状态和预测OS，为临床常规、大范围的评估癌症患者肌肉疏松程度提供了技术支持。

本项回顾性的单中心观察研究纳入了2007年-2019年间的转移性肾细胞癌患者。一组37名患者被用于算法的技术验证，比较了人工与基于DL的评估。使用平均Dice相似性系数(DSC)对分段进行了比较，使用一致性相关系数(CCC)和布兰德-阿尔曼图对SMI进行了比较。使用对数(Kaplan-Meier)和Mann-Whitney测试比较总生存率(OS)，并在一个独立的验证人群(N = 87)中测试了预后价值的普遍性。

两种人工分割(DSC=0.91，CCC=0.98的区域)或人工与自动分割(DSC=0.90，CCC=0.98的区域，CCC=0.97的SMI)之间的差异具有相同的数量级。Bland-Altman图显示两种手工分割的平均差异为-3.33 cm2 [95%CI: -15.98, 9.1]，手工与自动分割的平均差异为-3.28 cm2 [95%CI: -14.77, 8.21]。使用每种方法，20/37(56%)的患者被归类为肌肉疏松症。肌肉疏松症组与非肌肉疏松症组的生存曲线有统计学差异，手动和DL方法的中位OS分别为6.0与12.5(P = 0.008)和6.0与13.9(P = 0.014)月。在独立的验证人群中，根据DL方法，肌肉疏松症患者的OS较低(10.7 vs. 17.3个月，p = 0.033)。

图 基于深度学习的自动分割和人工分割在技术验证人群中的对应散点图面积和布兰特曼图。两种人工分割的面积比较，单位为cm2：a相应的散点图和(b)Bland-Altman图。人工和自动分割的比较，以cm2为单位：c相应的散点图和(d)Bland-Altman图。人工和自动分割的比较，以cm2/m2为单位的骨骼肌肉指数(SMI)：e相应的散点图和(f)Bland-Altman图

本研究发现，与人工参考标准相比，本研究提出的深度学习算法可以准确评估骨骼肌指数，是人工分割的一个良好的替代方法，可以对肌肉疏松症患者进行快速准确的识别，并为临床医生提供信息以引入支持性和营养性护理，同时自动计算的SMI在OS方面显示了预后价值。

原文出处：

Victoire Roblot,Yann Giret,Sarah Mezghani,et al.Validation of a deep learning segmentation algorithm to quantify the skeletal muscle index and sarcopenia in metastatic renal carcinoma.DOI:10.1007/s00330-022-08579-9