穆罕默德·瓦利德·优素福 | 艾哈迈德·哈桑·纳迪姆 | M. 法伊萨尔·纳迪姆 | 里兹万·凯萨尔
引言
肌肉减少症是一种进行性的骨骼肌疾病，其特征是肌肉质量、力量和身体功能的下降。它主要影响老年人，现在已被认为是老年虚弱综合征的核心组成部分（Dodds和Sayer 2016）。到2050年，全球60岁以上人口的比例预计将从11%上升到22%（Kanasi, Ayilavarapu等人2016）。老年人口的快速增长意味着肌肉减少症将成为一个重要的临床和社会经济问题（Swan, Warters等人2021）。此外，由于跌倒风险、残疾、住院和死亡率的增加，肌肉减少症将增加医疗成本（Yeung等人2019，Rodrigues等人2022）。
传统的肌肉减少症评估方法包括双能X射线吸收测定法（DXA）、计算机断层扫描（CT）、生物电阻抗分析（BIA）以及体能测试（如步速和握力测试）（Voulgaridou, Tyrovolas等人2024）。然而，这些工具受到高成本、依赖操作者、使用障碍以及未能融入常规临床工作流程的限制，尤其是在初级保健和社区环境中（Chung等人2025，Lewis等人2025）。
人工智能（AI），特别是机器学习（ML）和深度学习（DL），为及时诊断肌肉减少症提供了机会（Gu等人2023，Turimov Mustapoevich和Kim 2023，Yin和Zhao 2024，Jeong等人2025）。AI方法能够分析复杂的高维数据，学习预测模式，并生成实时风险评分（Al Kuwaiti, Nazer等人2023）。这些模型越来越多地应用于与肌肉减少症相关的任务，如自动图像分割、利用电子健康记录（EHR）数据进行风险预测，以及通过可穿戴设备预测功能结果（Gu等人2023，Turimov Mustapoevich和Kim 2023，Yin和Zhao 2024，Jeong等人2025）。
例如，研究人员已经成功使用在国民健康与营养调查（NHANES）数据集上训练的随机森林和支持向量机模型，以高精度预测低肌肉质量和握力（Tukhtaev A 2024）。其他人开发了结合环境暴露和代谢组学的可解释ML流程，以评估肌肉质量的下降（Feng, Chen等人2024）。在癌症患者中，深度学习模型（如U-Net卷积神经网络（CNNs）被用于分割CT肌肉横截面区域，使肌肉减少症的评估成为常规影像检查的一部分（Porciello, Di Lauro等人2025）。
我们选择这些方法是因为它们在解决肌肉减少症预测的不同方面相辅相成。NHANES提供了一个大型、具有全国代表性的数据集，其中包含标准化的人口统计、临床和生化变量，这对于构建群体级模型和识别风险因素至关重要（Yang, Yu等人2024）。机器学习方法非常适合分析此类结构化数据，因为它们可以捕捉各种人口统计和人体测量预测因子之间的复杂非线性关系。深度学习通过处理高分辨率的放射影像学图像，增加了另一个维度，其中自动肌肉组织分割可以揭示传统方法可能忽略的细微变化。结合这些方法可以更全面和准确地预测肌肉减少症的发展。
尽管取得了这些进展，但与肿瘤学和心脏病学等领域相比，AI在肌肉减少症中的应用仍然不够充分。障碍包括诊断标准的多样性、标记数据集的稀缺性、人群间的差异性以及与数据隐私和可解释性相关的伦理问题（Caputo, Letteri等人2025）。
本综述首次全面总结了AI在肌肉减少症多个领域中的新兴作用，包括早期检测、基于影像的诊断、功能结果预测和个性化监测。与以往仅关注孤立应用的综述不同，本文将机器学习、深度学习、可解释AI和联邦学习整合在一个统一的框架内。它强调了多模态数据融合和实际临床应用，为精准的肌肉减少症管理提供了前瞻性的路线图。此外，它还指出了当前文献中尚未充分探讨的伦理、监管和实施挑战。
方法
本综述通过系统搜索关于AI在肌肉减少症应用的同行评审文献来进行。数据库包括PubMed、Scopus和Web of Science，涵盖了2018年至2025年的出版物。搜索词结合了“肌肉减少症”与“人工智能”、“机器学习”、“深度学习”、“预测建模”和“医学影像”。如果研究报道了基于AI的肌肉减少症检测、诊断、风险预测或监测方法，则被纳入分析范围。
了解肌肉减少症
肌肉减少症是一种多因素引起的老年综合征，表现为骨骼肌质量、力量和功能的逐渐丧失。这一术语最早于1989年作为研究术语提出，现已被认定为具有ICD-10代码（M62.84）和正式诊断标准的医学状况（Anker等人2016，Cruz-Jentoft等人2019）。肌肉减少症的病因复杂，涉及与年龄相关的生理、激素、炎症和行为变化（Cannataro, Carbone等人）
人工智能技术在肌肉减少症中的应用
肌肉减少症的复杂性不断增加，需要比传统统计模型更复杂的分析方法。AI，特别是通过其子领域机器学习和深度学习，已成为揭示高维生物医学数据中隐藏模式的强大工具（图2）（An, Rahman等人2023）。通过利用包括临床记录、影像学、实验室生物标志物和可穿戴传感器数据在内的多种输入，AI提供了可扩展的解决方案，用于识别
理论与计算
利用AI预测肌肉减少症基于这样一个理念：健康问题通常是由多种因素共同作用的结果，而不仅仅是单一因素。肌肉减少症受年龄、身体组成、血液标志物、生活方式和影像学结果的影响，而这些因素并不总是遵循简单的模式。传统的统计模型常常会忽略这些复杂的关系，但机器学习可以在不假设一切都是线性的情况下处理这些问题。随机森林和梯度提升等方法通过减少误差来提高预测准确性
AI在肌肉减少症中的临床应用
虽然AI技术在研究环境中显示出显著潜力，但其实际价值在于临床应用（图1）（Ghassemi, Oakden-Rayner等人2021，Al Kuwaiti, Nazer等人2023）。除了算法开发和模型验证之外，最近的努力集中在将AI应用于肌肉减少症护理的实际、以患者为中心的方面。这些应用旨在解决一些最持久的临床挑战，包括诊断延迟和结果预测不佳等问题
结果
文献综述确定了70多项相关研究，其中大多数发表于2020年至2025年之间。应用于大规模数据集（如NHANES）的机器学习模型在预测肌肉减少症风险方面表现出强大的性能，AUC值介于0.81到0.90之间。常用的算法包括随机森林、XGBoost和支持向量机，这些算法有效地整合了人口统计、人体测量和生化变量。深度学习方法主要应用于影像学数据
局限性与挑战
虽然AI在肌肉减少症研究和临床护理中的整合具有巨大潜力，但也存在一些局限性。这些挑战涉及技术、临床、伦理和监管领域，必须加以解决，以确保AI工具的安全、公平和有效部署（表3）。
伦理与监管考量
AI在临床决策中的整合引入了一系列伦理、法律和监管挑战（Alqudah AM 2025）。在肌肉减少症的背景下，弱势老年人可能受到技术偏见或误分类的不成比例影响，这些问题尤为严重。确保AI工具的透明性、公平性、责任性和患者自主性对于其负责任地部署至关重要。
未来方向
随着AI的成熟，其在肌肉减少症研究和护理中的作用预计将显著扩大。虽然当前的应用主要集中在肌肉减少症的检测、诊断和监测上，但未来的创新将涉及多维度数据整合、实时自适应系统和更加个性化的护理。以下小节讨论了几种预计将塑造下一代肌肉减少症AI工具的新兴方向。
结论
肌肉减少症是全球老龄化人群中日益普遍且负担沉重的状况。其特征是肌肉质量、力量和功能的逐渐丧失，这显著增加了虚弱、跌倒、残疾和死亡的风险。尽管在诊断定义和临床工具方面取得了进展，但由于影像学检查的可及性有限、筛查实践的不一致性以及诊断标准的差异性，漏诊仍然普遍存在。
AI为解决这一问题提供了变革性的机会
作者声明
在准备本工作时，作者使用了Microsoft CoPilot 365进行语言编辑。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容承担全部责任。
未引用的参考文献
(Ahmed等人2023，Al Kuwaiti等人2023，Alqudah 2025，Babic等人2025，Castillo-Olea等人2019，Detopoulou等人2023，F 2024，Gonzalez-Castro等人2024，Harishbhai Tilala等人2024，Krafft等人2021，Lee等人2021，Li等人2014，M等人2024，M等人2022，Marey等人2024，Maruf等人2025，Miao等人2025，Mienye等人2025，Montero-Odasso等人2022，Peddi和Valivarthi 2019，Porciello等人2025，Tukhtaev等人2024，W 2025)
资助
本工作得到了沙迦大学提供的竞争性资助（ID: 25010901180），资助对象为里兹万·凯萨尔。
CRediT作者贡献声明
艾哈迈德·哈桑·纳迪姆：撰写——审阅与编辑、撰写——初稿、验证。穆罕默德·瓦利德·优素福：撰写——审阅与编辑、撰写——初稿、监督、项目管理、资金获取、正式分析、概念化。M. 法伊萨尔·纳迪姆：撰写——审阅与编辑、撰写——初稿、监督、概念化。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
术语表
- 人工智能（AI）
- 计算机科学的一个分支，使机器能够执行通常需要人类智能的任务，如学习、推理和决策。
- 机器学习（ML）
- AI的一个子领域，使用算法在数据中识别模式并进行预测，而无需明确编程。
- 深度学习（DL）
- 一种专门的ML形式，利用多层神经网络从大型和高维数据集中学习复杂的表示
