分享:
分享到微信朋友圈
X
综述
影像学和人工智能技术定量评估肝硬化肌少症的研究进展
徐媛 刘建莉

Cite this article as: Xu Y, Liu JL. Research progress of imaging and artificial intelligence technology in quantitative assessment of sarcopenia in liver cirrhosis[J]. Chin J Magn Reson Imaging, 2022, 13(11): 149-153.本文引用格式:徐媛, 刘建莉. 影像学和人工智能技术定量评估肝硬化肌少症的研究进展[J]. 磁共振成像, 2022, 13(11): 149-153. DOI:10.12015/issn.1674-8034.2022.11.030.


[摘要] 肌少症是肝硬化的常见并发症,也是导致肝硬化患者不良预后发生的重要原因,早期识别并预防肌少症已成为临床工作的重点、热点。影像学检查方法不仅可以评估肝硬化患者的肝脏病变情况,还可定量肌肉面积、肌肉密度和肌肉脂肪含量以评估肝硬化预后情况;此外,人工智能(artificial intelligence, AI)技术在医学领域的应用也为肝硬化肌少症的精准、快速识别和定量评估提供了新的思路。本文主要对双能X射线吸收法(dual-energy X-ray absorptiometry, DEXA)、超声(ultrasound, US)、MRI、CT和AI技术定量评价肝硬化肌少症的研究进展进行综述,以期为指导临床决策提供影像学参考。
[Abstract] Sarcopenia is a common complication of liver cirrhosis and an important cause of poor prognosis in patients with liver cirrhosis, the early identification and prevention has become the focus of clinical work and a hot spot. Imaging methods can not only evaluate liver lesions in patients with liver cirrhosis, but also quantify muscle area, muscle density and muscle fat content to evaluate the prognosis of liver cirrhosis; in addition, the application of artificial intelligence (AI) technology in the medical field has provided new ideas for accurate and rapid identification and quantitative assessment of cirrhotic sarcopenia. This article focuses on dual-energy X-ray absorptiometry (DEXA), ultrasound (US), MRI, CT and AI techniques for quantitative evaluation of cirrhotic sarcopenia are reviewed with the aim of providing imaging references to guide clinical decision-making.
[关键词] 肝硬化;肌少症;肌肉面积;肌肉密度;肌肉脂肪含量;双能X射线吸收法;超声;磁共振成像;计算机断层成像;人工智能;影像组学
[Keywords] liver cirrhosis;sarcopenia;muscle area;muscle density;muscle fat content;dual-energy X-ray absorptiometry;ultrasound;magnetic resonance imaging;computed tomography;artificial intelligence;radiomics

徐媛    刘建莉 *  

兰州大学第二医院放射科,兰州大学第二临床医学院,甘肃省医学影像重点实验室,医学影像人工智能甘肃省国际科技合作基地,兰州 730030

刘建莉,E-mail:lz8943115@qq.com

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 国家自然科学基金地区科学基金项目 81960337 甘肃省基础研究创新群体 21JR7RA432 兰州市人才创新创业项目 2020-RC-49 兰州大学第二医院“萃英研究生指导教师”培育计划项目 CYDSPY202003
收稿日期:2022-03-29
接受日期:2022-10-11
中图分类号:R445.2  657.31 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.11.030
本文引用格式:徐媛, 刘建莉. 影像学和人工智能技术定量评估肝硬化肌少症的研究进展[J]. 磁共振成像, 2022, 13(11): 149-153. DOI:10.12015/issn.1674-8034.2022.11.030

       肝细胞在多种致病因素的长期作用下反复发生损伤-修复,正常肝组织被肝细胞结节状再生和纤维增生取代,导致肝脏形态改变、纤维化而发展为肝硬化。肝硬化患者常伴发一些合并症,如:腹腔积液、感染、消化道大出血、肝性骨病和肌少症等[1, 2]。约30%~70%肝硬化患者伴有肌少症,且发病率逐年上升,通常认为肝硬化肌少症与患者营养不良密切相关,可作为死亡率的独立预测因子[3]。目前肌少症的诊断标准[4]包括肌肉数量及质量(通过影像学检查获得)、肌肉力量(通过握力测量获得)和体能状况(通过步速测量获得)的综合评价,本文就目前常用的双能X射线吸收法(dual-energy X-ray absorptiometry, DEXA)、超声(ultrasound, US)、MRI、CT等影像学检查手段和人工智能(artificial intelligence, AI)技术定量评估肝硬化肌少症的研究进展作一综述,以便临床早期、全面且客观地评估肝病患者的营养状态,同时突出肌少症在患者诊疗全程中的重要性,并依据目前仍存在的问题提出了今后可能的研究方向。

1 肝硬化肌少症的发病机制及定量评估的临床意义

1.1 肝硬化肌少症的发病机制

       肌少症是以骨骼肌质量、力量和骨骼肌功能加速丧失为主要改变的一组进行性和全身性疾病,可降低肝硬化患者的治疗效果和生活质量[5]。肌少症的发病机制多种多样,目前主要与运动量减少、年龄相关的激素水平改变、炎症反应和营养代谢改变等因素有关[6]。不同疾病并发肌少症的发病机制和严重程度有所差异,在肝硬化患者中能量消耗增加(代谢亢进)、缺乏活动、腹水和早饱导致的能量摄入减少等可能是肌肉进行性消耗的关键因素[7]。在这些因素的作用下,肌肉和蛋白的降解系统过度激活、促炎细胞因子和生长因子产生增加、蛋白质合成受损及利尿剂的使用导致肌母细胞异常分化等,发生骨骼肌萎缩性改变[8, 9]

1.2 定量评估肝硬化肌少症的临床意义

       近年来,多项研究表明肝硬化的恶性进展与肌少症的发生密不可分,如较高的感染风险和死亡率、肝性脑病的产生和恶化、较长的住院时间和呼吸机依赖等[3, 10, 11]。此外,常用的功能评价模型—终末期肝病模型(model for end-stage liver disease, MELD)不能实现对肝病患者营养状态的评价,因此肌少症联合MELD的新型评价模型的出现弥补了这个缺陷,当肝硬化患者存在肌少症时,MELD评分增加10分,与单独的MELD评分相比,MELD-肌少症评分可提高对肝硬化患者死亡率的预测价值[12, 13]。通过定量评估肝硬化患者的骨骼肌的面积、密度和脂肪含量可反映肌肉病变状况,进而定量评估患者全身营养状态和预测不良预后的发生,为肝硬化治疗方案选择和预后评估提供更多影像学支持[14, 15]

2 影像学定量评估肝硬化肌少症

       目前对于肝硬化肌少症的诊断标准尚未统一,基于不同种族、性别和年龄的肌肉数量和肌肉质量临界值有所差异,而且选取不同部位的骨骼肌诊断肌少症的标准也未达成共识[4]。通常可选取腰椎旁骨骼肌及四肢肌肉,其中腰椎旁骨骼肌(腰大肌、竖脊肌、多裂肌等)是临床研究中最常用的肌肉,因为通常需要对肝硬化患者进行腹部影像学的定期监测,可为临床同时提供腰椎旁骨骼肌和腹部脏器影像学信息,便于肝硬化肌少症的评估[16, 17]

2.1 DEXA

       DEXA是临床用于评估身体成分最常用的影像学技术,可同时获得瘦体质量(所有非脂肪及非骨组织质量)、脂肪质量和骨矿物质含量[18]。通过DEXA获得四肢骨骼肌质量(appendicular lean mass, ALM),按身高、体质量或体质量指数进行标准化处理,其中ALM(kg)/[身高(m)]2计算所得的骨骼肌质量指数(appendicular lean mass index, ALMI)最常用,欧洲老年肌少症工作组(European Working Group on Sarcopenia in Older People, EWGSOP)指南建议将女性ALMI<5.5 kg/m2、男性ALMI<7.0 kg/m2作为诊断肌少症的临界值[19]。Lindqvist等[20]利用DEXA回顾性分析106例肝硬化肝移植患者无脂肪质量指数(fat-free mass index, FFMI)和脂肪质量指数与移植术后并发症的关系,结果表明FFMI越低,术后感染发生率越高(P=0.043)。为了进一步分析身体成分与肝硬化预后的关系,Eriksen等[21]通过对比ALMI和腿部肌肉指数发现手臂肌肉指数与肝硬化患者肝功能分级和死亡率关系更加密切,避免了晚期患者因疾病导致下肢水肿的影响,其研究结果与Santos等[22]一致。

       DEXA的主要优点是可同时提供有关身体成分和骨骼的信息、检测快捷、可重复性高、辐射剂量小等,但是无法区分水分和瘦体组织、无法量化肌肉脂肪变性情况、不同品牌不同仪器测值差异等缺点导致DEXA的临床使用受到限制[23]

2.2 US

       鉴于US的无创、无电离辐射、便捷和不受地点限制等特点,可用于测量不同人群、不同部位的肌肉状况,并显示出与DEXA、CT和MRI测量的骨骼肌参数的强正相关性[24]。既往文献表明[25]利用US测量骨骼肌的横截面积、肌肉厚度、回声强度、羽状角和束长度等参数可定量骨骼肌质量和数量,但是缺乏相应标准测量模式及临界值,因此只有少量研究使用US评估肝硬化肌少症[26]。Kobayashi等[27]提出基于US的髂腰肌指数可量化肝硬化肌肉质量损失,显示男性、女性ROC曲线下面积分别为0.835和0.874,与Tandon等[28]提出的模型诊断效能相当。但是并未解释肌肉质量损失与肝硬化患者具体临床预后的关系,因此一项回顾性研究[29]通过分析75例失代偿期肝硬化和20名正常对照组患者超声腰大肌直径身高比(ultrasound psoas to height ratio, US-PTHR)和超声腰大肌指数(ultrasound psoas muscle index, US-PMI)与临床结局的相关性,发现US-PTHR和US-PMI与住院率和死亡率显著正相关(风险比HR=0.717~0.930)。

       2021年肌少症超声研究(sarcopenia through ultrasound, SARCUS)工作组[24]通过纳入四个新的US测量参数(肌肉体积、肌肉收缩潜力、肌肉微循环和肌肉硬度)、定义不同定量参数的计算公式及规定不同部位肌肉/肌肉群的测量点,并建议用于定量肌肉数量的参数(肌肉厚度、横截面积和体积)可依身高、体质量或体质量指数进行标准化处理,进一步丰富和完善了US诊断肌少症的标准,但未来仍需不断探索并完善基于US诊断肌少症的临界值。此外,US受操作者的主观因素影响大,导致测量结果的准确性和可重复性低,这也将是US在定量测量方面的一项巨大挑战[30]

2.3 MRI

       MRI软组织分辨率高,利用多种定量和半定量序列能实现身体成分和肌肉异常的评估,除了定量肌肉面积和形态之外,还可分析肌肉脂肪变性、肌肉纤维化、肌肉水肿或肌肉断裂等情况[31]。既往研究通过常规MRI序列评估骨骼肌,如Praktiknjo等[32]发现基于肝硬化患者的MRI-T2WI的竖脊肌肌肉面积(muscle area, MA)和无脂肪肌肉面积(fat-free muscle mass, FFMA)能预测门体分流术后急慢性肝功能衰竭的发生和死亡风险,并确定了MRI诊断肌少症的截断值(男性:MA<3523 mm2、FFMA<3197 mm2;女性:MA<3153 mm2、FFMA<2895 mm2)。但通常需要特殊软件才能进行MA和FFMA的测量,为简化肌少症的测量方式,Beer等[33]通过测量未增强T1WI和T2WI图像上腰3椎体处横向腰大肌厚度(transverse psoas muscle thickness, TPMT),即腰大肌厚度(mm)/身高(m),发现基于TPMT诊断的肌少症(男性<12 mm/m,女性<8mm/m)是代偿期晚期慢性肝病患者死亡的独立危险因素。

       近年来,通过功能MRI序列对骨骼肌进行评估的研究不断丰富,目前常用的序列包括:(1)扩散加权成像:通过量化的表观扩散系数(apparent diffusion coefficient, ADC)值反映组织内部的细胞膜通透性、细胞密度、细胞核面积等不同的病理变化,对不同肌肉疾病有一定诊断作用[34]。Surov等[14]分析酒精性肝硬化患者与健康人髂腰肌和椎旁肌肉组织的ADC值,发现ADC值与MELD评分呈正相关,证实了扩散加权成像可以反映骨骼肌的病理变化。(2)磁共振波谱(magnetic resonance spectroscopy, MRS)成像:有研究使用单体素MRS进行肌肉的定量评估,Jacobsen等[35]利用31P-MRS分析肝硬化与正常人肌肉组织代谢情况,发现失代偿期肝硬化(Child-Pugh B级和C级)患者的胫骨前肌的含磷代谢物三磷酸腺苷(adenosine triphosphate, ATP)合成显著低于代偿期肝硬化(Child-Pugh A级)和正常对照组。因为31P-MRS成像是利用检测组织ATP的原理进行组织内部代谢情况的评估[36]。但是这些只显示一种成分的单体素MRS,不能充分表示肌肉的整体状态[37]。尽管多体素MRS依据其固有理论优势可以克服单体素MRS的局限性,但其在肌少症的应用很少,未来还需要更多的临床研究来阐明该技术的实际作用[38]。(3)Dixon序列:是一种测量组织水脂比的成像序列,不仅克服了肌肉脂肪浸润的不均匀性导致的成像限制,还可以精准、定量地评估肌少症[39]。研究表明,Dixon序列在量化糖尿病患者肌肉内脂肪含量和骨骼肌营养不良等方面有较高地准确性[40, 41]。但是Dixon序列存在的成像耗时长和受金属伪影影响大等缺点也限制了其临床应用的广泛性[42]。(4)其他MRI功能成像序列在骨骼肌的应用不断增多,如T1 mapping、T2 mapping及扩散张量成像等,都能为肌肉的病理生理变化提供丰富的影像学信息[43]

       MRI依靠其典型的无电离辐射、定量定性参数准确性高等特点,在肌少症的评估中具有很大应用前景。但是由于采集耗时长、成本高、后处理操作复杂、缺乏截断值和标准化测量方案等,目前仍局限于研究阶段,在临床实践中应用较少。

2.4 CT

       CT可根据X射线衰减特性差异区分不同组织,被认为是评估身体成分的“金标准”[44]。腹部CT的优势在于除了对慢性肝病患者进行门静脉高压及其并发症评估、肝细胞癌的监测及随访和排除其他严重腹部疾患之外,还可以在不增加额外辐射剂量的情况下定量评估腹部骨骼肌的数量、质量及形态变化[30]。大多数研究通过选取腰3或腰4椎体周围骨骼肌代表全身骨骼肌质量,常用测量指标包括同一层面所有骨骼肌面积和骨骼肌指数(skeletal muscle index, SMI)[30]。由于肌肉质量是根据年龄、性别、体质量指数和种族而变化的,定义慢性肝病肌少症的SMI临界值存在广泛差异[45, 46]。Carey等[46]分析北美地区等待肝移植患者队列的CT图像中腰3椎体层面所有骨骼肌,定义当男性肝病患者的L3-SMI低于50 cm2/m2、女性L3-SMI低于39 cm2/m2 时可诊断肌少症。最近,Zeng等[45]根据中国肝硬化人群确立肝硬化肌少症诊断标准,定义中国60岁以下成年人不同性别人群L3-SMI的截断值(男性<44.77 cm2/m2,女性<32.50 cm2/m2)。但是也有部分研究测量腰大肌体积、腰大肌厚度(transverse psoas muscle thickness, TPMT)和腰大肌指数(psoas muscle index, PMI)评估肝硬化患者肌肉情况[47, 48]。然而,没有证据证实腰大肌的横截面积与全腰或全身肌肉情况具有良好的相关性,在一项纳入353名肝硬化患者的研究中[49]发现PMI预测终末期肝病死亡率低于SMI,尤其是在男性患者中,因此SMI是反映全身肌肉情况相对更好的指标。

       在多种病理情况下,肌肉脂肪浸润也会导致肌肉无力、肌肉质量减低[50]。测量肌肉组织的CT值可反映肌肉内部脂肪浸润情况,通常CT值在-29~+29 HU被认为是低衰减肌肉[30]。此外CT还可以分析肌肉内的脂肪分布、区分肌肉周围的脂肪和肌间脂肪组织,从而提供定性和定量的肌肉内部影像学信息[43,50]。Wang等[51]发现终末期肝病患者的肌肉脂肪浸润与死亡率相关。一项回顾性研究中,Feng等[52]用CT图像测量202例肝硬化患者腰3椎体水平SMI和骨骼肌内脂肪组织含量(intramuscular adipose tissue content, IMAC),根据肌少症和肌肉脂肪浸润诊断标准分组(男性SMI<46.96 cm2/m2,女性SMI<32.46 cm2/m2被定义为肌少症;男性IMAC>-0.44,女性IMAC>-0.37被定义为肌肉脂肪浸润),研究发现SMI和IMAC能有效预测患者预后(死亡率)。

       CT可同时评估肌少症和肌肉脂肪浸润,常被当做评估其他检查手段效能的金标准[53]。但是较高的辐射剂量、需要特定测量软件、软件自动分割耗时长等缺点在一定程度上限制了CT的应用。将来可考虑使用低剂量CT评估骨骼肌以降低辐射剂量,并探索高效率的骨骼肌测定及分割方法。在此,笔者总结了目前用于肌少症评估的影像学成像方法的优缺点(表1)。

表1  评估身体成分/肌少症的主要成像方法的优缺点

3 AI技术在肝硬化肌少症的应用

       随着计算机技术的不断发展和计算机算法不断创新,AI技术在医学领域的应用逐渐发展壮大,不仅可以更加高效且准确地处理海量数据,而且在疾病的诊断和鉴别、预测疾病的结局、评估身体成分等[54, 55, 56]方面都显示出较高的价值。其中身体成分分析[54]是指对构成人体的组织进行定量和定性测量,其应用在肌少症中则可实现对骨骼肌和脂肪的分析。

       鉴于腰3椎体层面骨骼肌的识别、提取和评估需要特定软件,还需要影像医生进行手动图像划分,这个过程不仅耗时长、且不同软件所得效果不一,因此使用AI技术提高工作效率的研究也不断增多,重点是深度卷积神经网络(deep convolutional neural networks, CNN)模型[57]。在肝硬化肌少症研究方面,Wang等[58]率先基于CT图像中手动勾画的腰大肌为标准训练一个CNN模型(一种通常用于面部识别软件的技术),CNN模型可以自动分析CT图像中腰大肌特征。研究结果显示,在肝硬化患者中使用CNN模型与手动测量的总腰大肌面积(total psoas area, TPA)一致性高(组内相关系数ICC=0.931),但CNN模型测量速度更快、还能减少手动测量错误,对于进一步预测肝硬化患者的死亡率具有重要价值。Zou等[56]基于数据库中354名患者腰3椎体层面CT图像开发并训练了一种以CNN为核心的自动测量患者身体成分的深度学习模型,验证集由238名肝硬化患者组成,研究发现该模型评估身体成分准确性在训练集和测试集中分别为0.977±0.015和0.975±0.018,并且对比单独的MELD评分,联合MELD和五种身体组分形态特征的新模型提高了肝硬化死亡率的预测价值。可见深度学习对肝硬化肌少症的诊断价值高,为临床评估及预测肝硬化预后提供了高效无创且准确性较高的方法。

       影像组学是最新被用于评估身体成分的方法,Kim等[59]使用从CT图像中提取并选择的4个影像组学特征(性别、粗糙度、偏度和集群突出)来识别非小细胞肺癌患者的肌少症,并进一步评估4种不同机器学习模型识别肌少症的性能,其中极限梯度提升模型效能最高,支持向量机模型效能最差。实际上,影像组学本质就是将影像图像转换为大量数据,主要用于肿瘤患者的预后预测[60]。截至目前,利用影像组学特征诊断肌少症的具体临床用途的相关研究十分有限,未来或将成为肌少症影像学评估的研究重点。

4 小结与展望

       目前对于肝硬化肌少症的定量研究主要针对骨骼肌密度及面积,利用多种影像学方法可以定量评估肝硬化肌少症,其中DEXA在临床应用最广泛,而利用US研究肝硬化肌少症尚处于初期阶段,缺乏确切截断值。CT和MRI是可靠的横断面成像技术,能可靠显示肌肉质量、数量和密度的变化。AI技术可在短时间内实现精确的骨骼肌分割,明显减少了影像医生繁重的识别及分割任务,便于临床早期识别肌少症和预测患者预后,利于临床治疗策略的指导,将为肝硬化肌少症研究领域带来巨大的价值。

[1]
Garcia-Pagan JC, Francoz C, Montagnese S, et al. Management of the major complications of cirrhosis: beyond guidelines[J]. J Hepatol, 2021, 75(Suppl 1): S135-S146. DOI: 10.1016/j.jhep.2021.01.027.
[2]
中华医学会肝病学分会. 肝硬化诊治指南[J]. 实用肝脏病杂志, 2019, 22(6): 846-865. DOI: 10.3969/j.issn.1672-5069.2019.06.004.
Hepatology Branch of Chinese Medical Association. Guidelines for diagnosis and treatment of liver cirrhosis[J]. J Pract Hepatol, 2019, 22(6): 846-865. DOI: 10.3969/j.issn.1672-5069.2019.06.004.
[3]
Tantai XX, Liu Y, Yeo YH, et al. Effect of sarcopenia on survival in patients with cirrhosis: a meta-analysis[J]. J Hepatol, 2022, 76(3): 588-599. DOI: 10.1016/j.jhep.2021.11.006.
[4]
Chen LK, Woo J, Assantachai P, et al. Asian working group for sarcopenia: 2019 consensus update on sarcopenia diagnosis and treatment[J]. J Am Med Dir Assoc, 2020, 21(3): 300-307. DOI: 10.1016/j.jamda.2019.12.012.
[5]
Donini LM, Busetto L, Bischoff SC, et al. Definition and diagnostic criteria for sarcopenic obesity: ESPEN and EASO consensus statement[J]. Obes Facts, 2022, 15(3): 321-335. DOI: 10.1159/000521241.
[6]
Saeki C, Tsubota A. Influencing factors and molecular pathogenesis of sarcopenia and osteosarcopenia in chronic liver disease[J/OL]. Life (Basel), 2021, 11(9) [2022-03-30]. https://doi.org/10.3390/life11090899. DOI: 10.3390/life11090899.
[7]
张佩彦, 秦肖含, 王玉珍. 肌少症与肝硬化的研究进展[J]. 肠外与肠内营养, 2022, 29(1): 57-61, 64. DOI: 10.16151/j.1007-810x.2022.01.011.
Zhang PY, Qin XH, Wang YZ. Research progress of sarcopenia in patients with cirrhosis[J]. Parenter & Enter Nutr, 2022, 29(1): 57-61, 64. DOI: 10.16151/j.1007-810x.2022.01.011.
[8]
Ebadi M, Bhanji RA, Mazurak VC, et al. Sarcopenia in cirrhosis: from pathogenesis to interventions[J]. J Gastroenterol, 2019, 54(10): 845-859. DOI: 10.1007/s00535-019-01605-6.
[9]
Marasco G, Dajti E, Ravaioli F, et al. Clinical impact of sarcopenia assessment in patients with liver cirrhosis[J]. Expert Rev Gastroenterol Hepatol, 2021, 15(4): 377-388. DOI: 10.1080/17474124.2021.1848542.
[10]
Ooi PH, Hager A, Mazurak VC, et al. Sarcopenia in chronic liver disease: impact on outcomes[J]. Liver Transpl, 2019, 25(9): 1422-1438. DOI: 10.1002/lt.25591.
[11]
Kang SH, Jeong WK, Baik SK, et al. Impact of sarcopenia on prognostic value of cirrhosis: going beyond the hepatic venous pressure gradient and MELD score[J]. J Cachexia Sarcopenia Muscle, 2018, 9(5): 860-870. DOI: 10.1002/jcsm.12333.
[12]
Montano-Loza AJ, Duarte-Rojo A, Meza-Junco J, et al. Inclusion of sarcopenia within MELD (MELD-sarcopenia) and the prediction of mortality in patients with cirrhosis[J/OL]. Clin Transl Gastroenterol, 2015, 6(7) [2022-03-30]. https://doi.org/10.1038/ctg.2015.31. DOI: 10.1038/ctg.2015.31.
[13]
van Vugt JLA, Alferink LJM, Buettner S, et al. A model including sarcopenia surpasses the MELD score in predicting waiting list mortality in cirrhotic liver transplant candidates: a competing risk analysis in a national cohort[J]. J Hepatol, 2018, 68(4): 707-714. DOI: 10.1016/j.jhep.2017.11.030.
[14]
Surov A, Paul L, Meyer HJ, et al. Apparent diffusion coefficient is a novel imaging biomarker of myopathic changes in liver cirrhosis[J/OL]. J Clin Med, 2018, 7(10) [2022-03-30]. https://doi.org/10.3390/jcm7100359. DOI: 10.3390/jcm7100359.
[15]
Cespiati A, Meroni M, Lombardi R, et al. Impact of sarcopenia and myosteatosis in non-cirrhotic stages of liver diseases: similarities and differences across aetiologies and possible therapeutic strategies[J/OL]. Biomedicines, 2022, 10(1) [2022/3/30]. https://doi.org/10.3390/biomedicines10010182. DOI: 10.3390/biomedicines10010182.
[16]
Aamann L, Dam G, Borre M, et al. Resistance training increases muscle strength and muscle size in patients with liver cirrhosis[J]. Clin Gastroenterol Hepatol, 2020, 18(5): 1179-1187. DOI: 10.1016/j.cgh.2019.07.058.
[17]
Liu JC, Ma JQ, Yang CT, et al. Sarcopenia in patients with cirrhosis after transjugular intrahepatic portosystemic shunt placement[J]. Radiology, 2022, 303(3): 711-719. DOI: 10.1148/radiol.211172.
[18]
Messina C, Albano D, Gitto S, et al. Body composition with dual energy X-ray absorptiometry: from basics to new tools[J]. Quant Imaging Med Surg, 2020, 10(8): 1687-1698. DOI: 10.21037/qims.2020.03.02.
[19]
Cruz-Jentoft AJ, Bahat G, Bauer J, et al. Sarcopenia: revised European consensus on definition and diagnosis[J]. Age Ageing, 2019, 48(1):16-31. DOI: 10.1093/ageing/afy169.
[20]
Lindqvist C, Majeed A, Wahlin S. Body composition assessed by dual-energy X-ray absorptiometry predicts early infectious complications after liver transplantation[J]. J Hum Nutr Diet, 2017, 30(3): 284-291. DOI: 10.1111/jhn.12417.
[21]
Eriksen CS, Kimer N, Suetta C, et al. Arm lean mass determined by dual-energy X-ray absorptiometry is superior to characterize skeletal muscle and predict sarcopenia-related mortality in cirrhosis[J]. Am J Physiol Gastrointest Liver Physiol, 2021, 320(5): G729-G740. DOI: 10.1152/ajpgi.00478.2020.
[22]
Santos LAA, Lima TB, Qi XS, et al. Refining dual-energy X-ray absorptiometry data to predict mortality among cirrhotic outpatients: a retrospective study[J/OL]. Nutrition, 2021, 85 [2022-03-30]. https://doi.org/10.1016/j.nut.2020.111132. DOI: 10.1016/j.nut.2020.111132.
[23]
Chianca V, Albano D, Messina C, et al. Sarcopenia: imaging assessment and clinical application[J]. Abdom Radiol (NY), 2022, 47(9): 3205-3216. DOI: 10.1007/s00261-021-03294-3.
[24]
Perkisas S, Bastijns S, Baudry S, et al. Application of ultrasound for muscle assessment in sarcopenia: 2020 SARCUS update[J]. Eur Geriatr Med, 2021, 12(1): 45-59. DOI: 10.1007/s41999-020-00433-9.
[25]
Perkisas S, Baudry S, Bauer J, et al. Application of ultrasound for muscle assessment in sarcopenia: towards standardized measurements[J]. Eur Geriatr Med, 2018, 9(6): 739-757. DOI: 10.1007/s41999-018-0104-9.
[26]
Sconfienza LM. Sarcopenia: ultrasound today, smartphones tomorrow?[J]. Eur Radiol, 2019, 29(1): 1-2. DOI: 10.1007/s00330-018-5833-0.
[27]
Kobayashi K, Maruyama H, Kiyono S, et al. Application of transcutaneous ultrasonography for the diagnosis of muscle mass loss in patients with liver cirrhosis[J]. J Gastroenterol, 2018, 53(5): 652-659. DOI: 10.1007/s00535-017-1378-2.
[28]
Tandon P, Low G, Mourtzakis M, et al. A model to identify sarcopenia in patients with cirrhosis[J]. Clin Gastroenterol Hepatol, 2016, 14(10): 1473-1480. DOI: 10.1016/j.cgh.2016.04.040.
[29]
Hari A, Berzigotti A, Štabuc B, et al. Muscle psoas indices measured by ultrasound in cirrhosis - Preliminary evaluation of sarcopenia assessment and prediction of liver decompensation and mortality[J]. Dig Liver Dis, 2019, 51(11): 1502-1507. DOI: 10.1016/j.dld.2019.08.017.
[30]
Lee CM, Kang BK, Kim M. Radiologic Definition of Sarcopenia in Chronic Liver Disease[J/OL]. Life (Basel), 2021, 11(2) [2022-03-30]. https://doi.org/10.3390/life11020086. DOI: 10.3390/life11020086.
[31]
Fischer MA, Pfirrmann CW, Espinosa N, et al. Dixon-based MRI for assessment of muscle-fat content in phantoms, healthy volunteers and patients with achillodynia: comparison to visual assessment of calf muscle quality[J]. Eur Radiol, 2014, 24(6): 1366-1375. DOI: 10.1007/s00330-014-3121-1.
[32]
Praktiknjo M, Book M, Luetkens J, et al. Fat-free muscle mass in magnetic resonance imaging predicts acute-on-chronic liver failure and survival in decompensated cirrhosis[J]. Hepatology, 2018, 67(3): 1014-1026. DOI: 10.1002/hep.29602.
[33]
Beer L, Bastati N, Ba-Ssalamah A, et al. MRI-defined sarcopenia predicts mortality in patients with chronic liver disease[J]. Liver Int, 2020, 40(11): 2797-2807. DOI: 10.1111/liv.14648.
[34]
Meyer HJ, Schneider I, Emmer A, et al. Associations between apparent diffusion coefficient values and histopathological tissue alterations in myopathies[J/OL]. Brain Behav, 2020, 10(11) [2022-03-30]. https://doi.org/10.1002/brb3.1809. DOI: 10.1002/brb3.1809.
[35]
Jacobsen EB, Hamberg O, Quistorff B, et al. Reduced mitochondrial adenosine triphosphate synthesis in skeletal muscle in patients with Child-Pugh class B and C cirrhosis[J]. Hepatology, 2001, 34(1): 7-12. DOI: 10.1053/jhep.2001.25451.
[36]
Buchard B, Boirie Y, Cassagnes L, et al. Assessment of malnutrition, sarcopenia and frailty in patients with cirrhosis: which tools should we use in clinical practice?[J/OL]. Nutrients, 2020, 12(1) [2022-03-30]. https://doi.org/10.3390/nu12010186. DOI: 10.3390/nu12010186.
[37]
Grimm A, Meyer H, Nickel MD, et al. Repeatability of Dixon magnetic resonance imaging and magnetic resonance spectroscopy for quantitative muscle fat assessments in the thigh[J]. J Cachexia Sarcopenia Muscle, 2018, 9(6): 1093-1100. DOI: 10.1002/jcsm.12343.
[38]
Forbes SC, Lott DJ, Finkel RS, et al. MRI/MRS evaluation of a female carrier of Duchenne muscular dystrophy[J]. Neuromuscul Disord, 2012, 22(Suppl 2): S111-S121. DOI: 10.1016/j.nmd.2012.05.013.
[39]
Codari M, Zanardo M, di Sabato ME, et al. MRI-derived biomarkers related to sarcopenia: a systematic review[J]. J Magn Reson Imaging, 2020, 51(4): 1117-1127. DOI: 10.1002/jmri.26931.
[40]
Triplett WT, Baligand C, Forbes SC, et al. Chemical shift-based MRI to measure fat fractions in dystrophic skeletal muscle[J]. Magn Reson Med, 2014, 72(1): 8-19. DOI: 10.1002/mrm.24917.
[41]
Karampinos DC, Baum T, Nardo L, et al. Characterization of the regional distribution of skeletal muscle adipose tissue in type 2 diabetes using chemical shift-based water/fat separation[J]. J Magn Reson Imaging, 2012, 35(4): 899-907. DOI: 10.1002/jmri.23512.
[42]
Guerini H, Omoumi P, Guichoux F, et al. Fat suppression with Dixon techniques in musculoskeletal magnetic resonance imaging: a pictorial review[J]. Semin Musculoskelet Radiol, 2015, 19(4): 335-347. DOI: 10.1055/s-0035-1565913.
[43]
Giraudo C, Cavaliere A, Lupi A, et al. Established paths and new avenues: a review of the main radiological techniques for investigating sarcopenia[J]. Quant Imaging Med Surg, 2020, 10(8): 1602-1613. DOI: 10.21037/qims.2019.12.15.
[44]
Faron A, Sprinkart AM, Kuetting DLR, et al. Body composition analysis using CT and MRI: intra-individual intermodal comparison of muscle mass and myosteatosis[J/OL]. Sci Rep, 2020, 10 [2022-03-30]. https://doi.org/10.1038/s41598-020-68797-3. DOI: 10.1038/s41598-020-68797-3.
[45]
Zeng X, Shi ZW, Yu JJ, et al. Sarcopenia as a prognostic predictor of liver cirrhosis: a multicentre study in China[J]. J Cachexia Sarcopenia Muscle, 2021, 12(6): 1948-1958. DOI: 10.1002/jcsm.12797.
[46]
Carey EJ, Lai JC, Sonnenday C, et al. A North American expert opinion statement on sarcopenia in liver transplantation[J]. Hepatology, 2019, 70(5): 1816-1829. DOI: 10.1002/hep.30828.
[47]
Paternostro R, Bardach C, Hofer BS, et al. Prognostic impact of sarcopenia in cirrhotic patients stratified by different severity of portal hypertension[J]. Liver Int, 2021, 41(4): 799-809. DOI: 10.1111/liv.14758.
[48]
Hari A. Muscular abnormalities in liver cirrhosis[J]. World J Gastroenterol, 2021, 27(29): 4862-4878. DOI: 10.3748/wjg.v27.i29.4862.
[49]
Ebadi M, Wang CW, Lai JC, et al. Poor performance of psoas muscle index for identification of patients with higher waitlist mortality risk in cirrhosis[J]. J Cachexia Sarcopenia Muscle, 2018, 9(6): 1053-1062. DOI: 10.1002/jcsm.12349.
[50]
Aubrey J, Esfandiari N, Baracos VE, et al. Measurement of skeletal muscle radiation attenuation and basis of its biological variation[J]. Acta Physiol (Oxf), 2014, 210(3): 489-497. DOI: 10.1111/apha.12224.
[51]
Wang CW, Feng S, Covinsky KE, et al. A comparison of muscle function, mass, and quality in liver transplant candidates: results from the functional assessment in liver transplantation study[J]. Transplantation, 2016, 100(8): 1692-1698. DOI: 10.1097/TP.0000000000001232.
[52]
Feng HJ, Wang XY, Mao LH, et al. Relationship between sarcopenia/myosteatosis and frailty in hospitalized patients with cirrhosis: a sex-stratified analysis[J/OL]. Ther Adv Chronic Dis, 2021, 12 [2022-03-30]. https://doi.org/10.1177/20406223211026996. DOI: 10.1177/20406223211026996.
[53]
齐萌, 张思伟, 刘波. 肌少症的CT、MR诊断及临床意义[J]. 中国骨质疏松杂志, 2018, 24(11): 1530-1534. DOI: 10.3969/j.issn.1006-7108.2018.11.029.
Qi M, Zhang SW, Liu B. Clinical significance and diagnosis of sarcopenia with CT and MR[J]. Chin J Osteoporos, 2018, 24(11): 1530-1534. DOI: 10.3969/j.issn.1006-7108.2018.11.029.
[54]
Wang B, Torriani M. Artificial intelligence in the evaluation of body composition[J]. Semin Musculoskelet Radiol, 2020, 24(1): 30-37. DOI: 10.1055/s-0039-3400267.
[55]
Malhotra P, Gupta S, Koundal D, et al. Deep neural networks for medical image segmentation[J/OL]. J Healthc Eng, 2022 [2022-03-30]. https://doi.org/10.1155/2022/9580991. DOI: 10.1155/2022/9580991.
[56]
Zou WY, Enchakalody BE, Zhang P, et al. Automated measurements of body composition in abdominal CT scans using artificial intelligence can predict mortality in patients with cirrhosis[J]. Hepatol Commun, 2021, 5(11): 1901-1910. DOI: 10.1002/hep4.1768.
[57]
Barnard R, Tan J, Roller B, et al. Machine learning for automatic paraspinous muscle area and attenuation measures on low-dose chest CT scans[J]. Acad Radiol, 2019, 26(12): 1686-1694. DOI: 10.1016/j.acra.2019.06.017.
[58]
Wang NC, Zhang P, Tapper EB, et al. Automated measurements of muscle mass using deep learning can predict clinical outcomes in patients with liver disease[J]. Am J Gastroenterol, 2020, 115(8): 1210-1216. DOI: 10.14309/ajg.0000000000000662.
[59]
Kim Y. Machine learning models for sarcopenia identification based on radiomic features of muscles in computed tomography[J/OL]. Int J Environ Res Public Health, 2021, 18(16) [2022-03-30]. https://doi.org/10.3390/ijerph18168710. DOI: 10.3390/ijerph18168710.
[60]
Zhang SY, Yu MR, Chen D, et al. Role of MRI-based radiomics in locally advanced rectal cancer (Review)[J/OL]. Oncol Rep, 2022, 47(2) [2022-03-30]. https://doi.org/10.3892/or.2021.8245. DOI: 10.3892/or.2021.8245.

上一篇 心肌纤维化心脏磁共振及在糖尿病心肌病的应用进展
下一篇 影像组学在胰腺导管内乳头状黏液性肿瘤中的应用及研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2