Annals of internal medicine
body composition and cardiometabolic outcomes
小赛推荐：
本研究利用AI对30,000多名UK Biobank参与者的全身MRI图像进行体成分分析，揭示体成分与心血管代谢疾病风险的关联。研究强调，传统的BMI和腰围指标可能不足以准确反映体成分变化，而AI辅助MRI体成分分析可提供更精准的预测信息。
文献概述
本文《Association between body composition and cardiometabolic outcomes: a prospective cohort study》，发表于《Annals of internal medicine》杂志，回顾并总结了利用AI技术对全身MRI图像进行体成分分析，并评估其与心血管代谢疾病风险的关联。研究发现，体成分中内脏脂肪（VAT）比例及骨骼肌脂肪分数（SMFF）与糖尿病及心血管不良事件风险显著相关，而皮下脂肪（SAT）比例在调整BMI及腰围后与疾病风险无显著关联。
背景知识
肥胖作为全球主要健康问题之一，已被广泛研究与心血管代谢疾病（如糖尿病、冠心病）的关联。然而，传统指标如BMI和腰围难以区分脂肪类型（如内脏脂肪与皮下脂肪）及肌肉质量，因此可能无法准确评估个体疾病风险。近年来，MRI和CT等影像学技术因能直接区分脂肪分布和肌肉质量，逐渐成为体成分分析的新手段。同时，深度学习技术的发展使MRI/CT数据的自动化分析成为可能，大幅提高效率与一致性。尽管已有部分研究探索体成分与疾病风险的关系，但本研究首次在大规模队列中系统性评估不同体成分指标对心血管代谢疾病风险的独立预测价值，并调整BMI及腰围等传统指标的影响，为临床提供更精准的筛查与干预依据。
研究方法与实验
研究基于UK Biobank队列，纳入33,539名无糖尿病、心肌梗死或缺血性卒中病史的参与者（52.8%女性，平均年龄65.0岁）。所有参与者接受全身MRI扫描，并应用经过验证的深度学习模型自动分割皮下脂肪（SAT）、内脏脂肪（VAT）、骨骼肌（SM）及骨骼肌脂肪分数（SMFF）。研究采用限制性立方样条模型分析各体成分与糖尿病及主要心血管不良事件（MACE）的关联。分析中调整年龄、吸烟、高血压等协变量，并进一步调整BMI及腰围，以评估各体成分的独立预测价值。
关键结论与观点
研究意义与展望
该研究为临床提供了一种基于AI的高效体成分分析工具，并指出BMI在评估疾病风险中的局限性。未来，该方法可推广至临床常规影像分析，通过体成分自动提取，提供个体化疾病风险评估。此外，研究也强调了性别差异在体成分与疾病风险关联中的重要性，提示需进一步研究不同性别的疾病机制及干预策略。
结语
本研究利用AI技术对MRI图像进行体成分分割，揭示了体成分与心血管代谢疾病风险的独立关联。研究显示，传统BMI及腰围指标之外，VAT比例及SMFF可显著提升对糖尿病及心血管不良事件的预测能力，尤其在男性中，SM比例降低亦具预测价值。这一发现为临床筛查提供了新思路，即在常规影像检查中嵌入体成分分析，以实现无创、高效、个体化疾病风险评估。此外，研究指出，该方法目前主要适用于白人群体，未来需在更多元化人群中验证其普适性，并进一步优化扫描区域及体成分分析流程，以提高临床实用性。
