Vurderingssystem for sarkopeni baseret på ultralydsdata

Sarkopeni er et syndrom af aldersrelateret tab af muskelmasse og nedsat muskelfunktion, som kan være komorbid med en række sygdomme og interagerer i udstrakt grad med forskellige sygdomstilstande for at påvirke sygdomsprognosen. Sygdomme som kræft, diabetes, kronisk nyresygdom og leddegigt kan fremskynde muskeltabsprocessen ved at påvirke regenerering af myogene celler, forstyrre proteinsyntesen, øge proteinforbruget og øge proteinnedbrydningen ved ubiquitineringsvejen og faldet i motorikken. funktion vil til gengæld yderligere forværre sygdommens prognose. På trods af nogle regionale forskelle har forekomsten af ​​sarkopeni vist sig at overstige 10 %. Tidlig identifikation af den potentielle risiko for sarkopeni og tidlig intervention i de tidlige stadier af muskelmasse og funktionsnedsættelse er et af de vigtigste skridt til at forbedre livskvaliteten for ældre voksne.

I øjeblikket er diagnosen sarkopeni afhængig af tre funktioner: tab af muskelmasse, tab af muskelstyrke og tab af fysisk ydeevne. På nuværende tidspunkt bruger læger normalt bioelektrisk impedansanalyse (BIA) eller dobbeltenergi røntgenabsorptiometri (DXA) til at bestemme skeletmuskelmasseindeks SMI til at måle muskelmasse, grebsstyrketest til at måle muskelstyrke, ganghastighed eller værktøjer såsom SPPB score til at vurdere fysisk præstation. En diagnose af sarkopeni kan stilles, når en person oplever et fald i SMI kombineret med et fald i grebsstyrke eller et fald i ganghastighed.

Inden for medicinsk billeddannelse har forskere arbejdet på at udforske og validere passende billeddannelsesværktøjer og markører til at diagnosticere og evaluere sarkopeni. De almindelige metoder til deep mining af medicinsk billeddannelse omfatter radiomik og maskinlæring, normalt ved at analysere strukturegenskaberne i muskler på specifikke steder for at kvantificere muskelfunktion eller segmentere skeletmuskler nøjagtigt i to dimensioner eller tre dimensioner for at kvantificere muskelmasse. Sammenlignet med computertomografi (CT) eller magnetisk resonansbilleddannelse (MRI) er ultralyd en mere tilgængelig og billigere medicinsk billedbehandlingsteknik, især i lav- og mellemindkomstområder. Ultralyd kan bruges til bekvemt at scanne lokale muskler og opnå muskelkarakteristika såsom muskeltykkelse, tværsnitsareal og pennationsvinkel. Vores tidligere undersøgelser har vist, at SMI hos ældre voksne kan estimeres nøjagtigt ved at bruge muskeltykkelse på fire steder sammen med grundlæggende information såsom alder og kropsmasseindeks (BMI), og har fundet i tværregional validering, at stabiliteten af ​​estimater kan opretholdes på tværs af samfund med meget forskellige etniske proportioner. Men flere eksisterende store undersøgelser af ultralyd ved sarkopeni fokuserer i øjeblikket kun på muskelmorfologiske målinger, idet de ignorerer den store mængde skjulte ultralydsbilledoplysninger. Samtidig har fleksibiliteten i scanningsprocessen ført til større modstand fra radiomik eller deep learning-værktøjer til at bruge billederne til klassificering af kunstig intelligens end CT eller MR.

Med et sådant dilemma forsøgte vi at etablere et intelligent risikoklassificeringssystem for sarkopeni, baseret på multidimensionelle data, herunder grundlæggende oplysninger såsom alder og BMI, ultralydsmålinger og originalt billedindhold, for at fuldende risikovurderingen af ​​sarkopeni hos ældre voksne i en one-stop måde for at realisere den hurtige screening og klassificering af potentielle sarkopenipopulationer til yderligere klinisk behandling.