分享:
分享到微信朋友圈
X
• 综述 •
多模态MRI定量技术在肌少症中的临床应用研究进展
于俊 牛金亮

本文引用格式 于俊, 牛金亮. 多模态MRI定量技术在肌少症中的临床应用研究进展[J]. 磁共振成像, 2026, 17(11): 217-224. DOI:10.12015/issn.1674-8034.2026.11.027.


[摘要] 肌肉减少症(简称肌少症)是一种以骨骼肌量减少、肌力下降和身体功能受损为主要特征的进行性、全身性骨骼肌疾病,可显著增加衰弱、跌倒、骨折、围手术期并发症及死亡风险。随着肌少症诊疗由单纯关注肌肉量转向综合评价肌肉质量、肌力、身体表现及临床结局,多模态定量磁共振成像(magnetic resonance imaging, MRI)能够无创表征肌肉储备、脂肪浸润、组织水分、微结构和代谢状态,其在疾病表型识别、疗效监测和风险分层中的价值日益受到关注。然而,既往综述多侧重骨骼肌MRI序列原理或单一参数的技术特征,对不同定量指标如何对应具体临床问题、证据边界及转化瓶颈的系统总结仍不足。本文旨在为肌少症影像学研究和临床精细化评估提供新的思路与参考,系统梳理MRI在肌少症评估中的优势、多模态定量技术及评价指标,以及其在诊断与影像分型、干预疗效监测、功能相关性与风险分层、合并症评估、围手术期风险分层、影像组学与人工智能等方面的研究进展,并分析当前在采集协议、分割标准、参考阈值、跨平台一致性及临床结局验证方面的挑战。现有证据表明,肌肉体积、质子密度脂肪分数和肌间脂肪组织目前最具临床转化潜力,T2弛豫时间定量成像、扩散加权成像和扩散张量成像及磁共振波谱可进一步补充炎症水肿、纤维微结构和能量代谢信息,但其标准化与纵向预测价值仍需验证。现阶段真正以前瞻性临床硬结局为终点的MRI预后证据仍有限。未来应建立中国及亚洲人群分层参考范围,统一多中心采集、分割和质量控制标准,并将多参数MRI与肌力、身体表现、营养炎症指标及人工智能自动分析联合,通过多中心前瞻性纵向研究验证其对跌倒、住院、围手术期并发症及死亡等临床结局的增量价值,并明确影像学改变与功能改善及临床结局之间的关系,从而推动定量MRI由科研工具向可用于个体化诊疗决策的影像生物标志物转化。
[Abstract] Sarcopenia is a progressive and generalized skeletal muscle disorder characterized by loss of skeletal muscle mass, reduced muscle strength, and impaired physical performance, and it is associated with increased risks of frailty, falls, fractures, perioperative complications, and mortality. As clinical assessment has shifted from muscle quantity alone toward integrated evaluation of muscle quality, strength, physical performance, and clinical outcomes, multimodal quantitative magnetic resonance imaging (MRI), which can noninvasively characterize muscle reserve, fat infiltration, tissue water content, microstructure, and metabolism, has gained increasing importance for phenotyping, treatment monitoring, and risk stratification. However, previous reviews have largely focused on MRI sequence principles or isolated quantitative parameters, with insufficient synthesis of how individual biomarkers address specific clinical questions, their evidence boundaries, and barriers to translation. This review aims to provide new perspectives for imaging research and refined clinical assessment of sarcopenia. We summarize the advantages of MRI assessment in sarcopenia, major quantitative MRI techniques and biomarkers, and their applications in diagnostic phenotyping, intervention monitoring, functional associations and exploratory risk stratification, comorbidity assessment, potential perioperative risk stratification, radiomics, and artificial intelligence. We also discuss current challenges in acquisition protocols, segmentation standards, reference thresholds, cross-platform consistency, and validation against clinical outcomes.Current evidence suggests that muscle volume, proton density fat fraction, and intermuscular adipose tissue have the greatest translational potential, whereas T2 relaxation time mapping, diffusion-weighted imaging, diffusion tensor imaging, and magnetic resonance spectroscopy provide complementary information on edema/inflammation, fiber microstructure, and energy metabolism but still require further standardization and longitudinal validation. Evidence linking MRI biomarkers to prospective hard clinical outcomes remains limited .We propose that future studies should establish stratified reference ranges for Chinese and Asian populations, harmonize multicenter acquisition, segmentation, and quality-control procedures, and integrate multiparametric MRI with muscle strength, physical performance, nutritional and inflammatory markers, and artificial-intelligence-based automated analysis. Prospective multicenter longitudinal studies should further determine the incremental value of these biomarkers for falls, hospitalization, perioperative complications, and mortality and clarify whether imaging changes translate into functional and clinical benefits, thereby promoting quantitative MRI from a research tool to an imaging biomarker that supports individualized clinical decision-making.
[关键词] 肌少症;定量磁共振成像;骨骼肌;肌肉质量;质子密度脂肪分数;肌少症性肥胖;围手术期风险;人工智能
[Keywords] sarcopenia;quantitative magnetic resonance imaging;skeletal muscle;muscle quality;proton density fat fraction;sarcopenic obesity;perioperative risk;artificial intelligence

于俊 1   牛金亮 2*  

1 山西医科大学医学影像学院,太原 030000

2 山西医科大学第二医院影像科,太原 030000

通信作者:牛金亮,E-mail: sxlscjy@163.com

作者贡献声明:牛金亮设计本研究的方案,对稿件重要内容进行了修改;于俊起草和撰写稿件,获取、分析或解释本研究的数据,获得了国家自然科学基金项目资助;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 国家自然科学基金 82271982
收稿日期:2026-04-29
接受日期:2026-10-21
中图分类号:R445.2  R685 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.027
本文引用格式 于俊, 牛金亮. 多模态MRI定量技术在肌少症中的临床应用研究进展[J]. 磁共振成像, 2026, 17(11): 217-224. DOI:10.12015/issn.1674-8034.2026.11.027.

0 引言

       肌肉减少症(简称肌少症)是以骨骼肌量减少、肌力下降和身体功能受损为主要特征的进行性、全身性骨骼肌疾病,与衰弱、跌倒、骨折、失能及死亡风险增加密切相关。欧洲老年人肌少症工作组第二版共识(European Working Group on Sarcopenia in Older People 2, EWGSOP2)、亚洲肌少症工作组2019共识(Asian Working Group for Sarcopenia 2019, AWGS 2019)及我国相关指南均提示,肌少症评估已由单纯关注肌肉量,转向综合评价肌力、肌肉质量和身体表现[1, 2, 3, 4]。因此,准确识别骨骼肌结构与组织成分改变,对肌少症的诊断、干预监测和风险评估具有重要意义。目前常用的简易五项肌少症筛查量表(Strength, Assistance with walking, Rise from a chair, Climb stairs, and Falls, SARC-F)、握力和体能测试可反映功能状态,双能X线吸收法(dual-energy X-ray absorptiometry, DXA)与生物电阻抗分析(bioelectrical impedance analysis, BIA)适于筛查,但难以直接显示肌肉内部成分,且易受体液状态和测量模型影响;计算机断层扫描(computed tomography, CT)可评价肌肉面积和密度,但存在电离辐射。

       肌肉量减少仍是肌少症发生和诊断确认的重要结构基础。骨骼肌储备下降可降低力量输出能力,并增加衰弱、跌倒、失能和死亡风险;因此,肌肉横截面积(cross-sectional area,CSA)、肌肉体积和骨骼肌指数长期被用于反映肌少症的结构基础[4, 5]。然而,肌肉量并不等同于肌肉质量。肌肉质量更强调单位肌肉量产生力量的能力,以及肌肉内部脂肪沉积、纤维化、水肿、炎症、微循环和线粒体代谢等综合状态[6- 7]。部分老年人或慢性病患者虽肌肉面积尚可,却存在明显肌肉脂肪浸润、肌间脂肪增加和肌力下降[8, 9];相反,部分体型偏瘦者虽肌肉量偏低,功能状态仍可相对保持。单一肌肉量指标难以充分解释肌力下降和临床风险,这也是肌少症评估从肌肉量走向肌肉质量的重要原因[10, 11, 12]。在此背景下,磁共振成像(magnetic resonance imaging, MRI)凭借软组织分辨率高、无电离辐射及多参数定量等优势,可同时评估肌肉体积、脂肪浸润、炎症水肿、纤维微结构和代谢状态[5, 6, 7, 13],为肌少症的结构与质量综合评价提供了重要影像学手段。

       既往综述多围绕骨骼肌MRI序列原理和定量参数展开[14, 15]。本文以定量MRI技术在肌少症领域有关临床问题的解决能力为主线,重点讨论多模态定量MRI在诊断分型、干预监测、功能相关性与风险分层、共病评估及围手术期风险分层的潜在应用中的证据基础和适用边界。并对各类参数均围绕其反映的组织学改变、重复性及主要混杂因素、最适合解决的临床问题进行分析,根据研究设计区分相关性、风险分层、预测价值和干预效果,旨在明确当前MRI能够支持的临床判断及仍需验证的环节。

1 文献检索策略

       本综述围绕多模态定量MRI在肌少症及相关骨骼肌质量评价中的临床应用开展文献检索。检索PubMed、Web of Science、Embase、中国知网和万方数据库,检索时限为各数据库建库至2026年7月31日,同时追溯纳入文献以及相关指南、共识和系统综述的参考文献。英文数据库检索式:("sarcopenia" OR "skeletal muscle" OR "muscle quality") AND ("magnetic resonance imaging" OR "quantitative MRI" OR "Dixon" OR "proton density fat fraction" OR "PDFF" OR "intermuscular adipose tissue" OR "IMAT" OR "T2 mapping" OR "diffusion-weighted imaging" OR "diffusion tensor imaging" OR "magnetic resonance spectroscopy" OR "radiomics" OR "artificial intelligence");中文数据库检索式:(肌少症 OR 肌肉减少症 OR 骨骼肌 OR 肌肉质量)AND(磁共振成像 OR 定量MRI OR Dixon OR 质子密度脂肪分数 OR 肌间脂肪 OR T2 mapping OR 扩散加权成像 OR 扩散张量成像 OR 磁共振波谱 OR 影像组学 OR 人工智能)。根据不同数据库的检索规则对字段和语法进行相应调整。纳入标准:(1)研究内容涉及肌少症、衰老或相关疾病中的骨骼肌MRI定量评价;(2)报告肌肉体积/CSA、质子密度脂肪分数(proton density fat fraction, PDFF)、肌间脂肪组织(intermuscular adipose tissue, IMAT)、T2、扩散加权成像(diffusion-weighted imaging, DWI)、磁共振波谱(magnetic resonance spectroscopy, MRS)、弹性成像或影像组学/人工智能等指标,并与诊断分型、肌力或身体表现、干预疗效、功能结局、风险分层、合并症或围手术期结局相关;(3)指南、共识、系统综述以及具有代表性的观察性研究、干预研究和方法学研究。排除重复发表、与主题相关性不足及无法获得主要研究信息的文献。最终纳入与本文主题直接相关的48篇文献。

2 肌少症MRI评估优势

       MRI能够直接显示肌肉解剖边界,并通过单层CSA、区域肌肉体积或颈至膝肌肉体积测量反映骨骼肌储备[5, 10, 13]。常用测量部位包括L3水平骨骼肌、腰大肌、椎旁肌、髂腰肌、股四头肌、大腿中段肌群和小腿肌群。L3水平肌肉面积常用于肿瘤、肝病和围手术期体成分研究;大腿肌群指标常用于评价下肢肌量和肌肉质量,并可与肌力或功能指标进行关联分析[10, 13, 16];椎旁肌指标常用于脊柱退变、骨质疏松性椎体压缩骨折和慢性腰痛研究[17, 18, 19]。MRI的主要特色在于可在形态测量基础上同步评价脂肪替代、水分变化、微结构和代谢状态,从而形成更接近功能表型的肌肉质量指标体系。

       可转化的MRI肌肉质量指标包括形态、组织成分和功能代谢三个维度。CSA、体积、肌肉指数和肌群比例主要反映肌肉储备;PDFF、IMAT体积、IMAT/肌肉体积比值及肌内脂质主要反映脂肪浸润和异位脂肪沉积[12, 20, 21, 22];T2值、水T2、表观扩散系数(apparent diffusion coefficient, ADC)、各向异性分数(fractional anisotropy, FA)及磷酸肌酸恢复速率可间接反映炎症水肿、纤维完整性和线粒体氧化磷酸化能力[6, 23, 24, 25]。各类指标提供互补信息,研究设计应根据临床问题预先确定核心指标,避免无明确假设的多序列堆叠。

3 肌少症定量MRI技术及评价指标

3.1 形态学与脂肪定量成像

       T1加权MRI具有良好的软组织对比度,可清晰区分肌肉、皮下脂肪、肌间脂肪和骨骼结构,是肌肉CSA、体积和肌肉指数测量的基础序列。其主要优势是解剖边界清晰,适合单块肌肉或特定肌群分割,适用于监测肌肉量储备是否不足;局限是对轻度脂肪浸润、炎症水肿和微结构改变的敏感性有限。Dixon MRI利用水和脂肪质子共振频率差异进行水脂分离,可获得水像、脂肪像和PDFF图。PDFF表示脂肪信号占水脂总信号的比例,是目前MRI组织脂肪定量中较标准化、可重复性较好的指标之一[20, 26]。在肌少症研究中,PDFF和IMAT可用于识别肌肉量尚未明显下降但脂肪浸润已经增加的早期表型,也可作为运动、营养和康复干预的量化终点[8, 10, 27, 28]。

3.2 功能与代谢定量成像

       T2弛豫时间定量成像(T2 relaxation time mapping, T2 mapping)主要反映组织横向弛豫时间变化,脂肪校正后的水T2升高常提示组织自由水增加、炎症、水肿、肌纤维损伤或运动后反应[23, 24],较PDFF更适合捕捉动态、可逆或活动性改变。DWI和扩散张量成像(diffusion tensor imaging, DTI)通过ADC、平均扩散率(mean diffusivity, MD)和FA等参数评价肌纤维微结构及排列,但易受运动伪影、回波平面成像(echo-planar imaging, EPI)变形、信噪比和后处理影响,目前在肌少症中的证据仍少于PDFF和体积指标[6, 23]。MRS可区分肌细胞内脂质(intramyocellular lipid, IMCL)和肌细胞外脂质(extramyocellular lipid, EMCL);磷-31磁共振波谱(phosphorus-31 magnetic resonance spectroscopy, 31P-MRS)还可评价磷酸肌酸(phosphocreatine, PCr)恢复速率、无机磷(inorganic phosphate, Pi)及三磷酸腺苷(adenosine triphosphate, ATP)等能量代谢指标,更适合机制研究、特殊疾病及小样本干预研究。钠-23磁共振成像(sodium-23 magnetic resonance imaging, 23Na-MRI)可观察运动后肌肉钠信号和离子稳态变化:NEAL等[29]证实其动态定量可行性,GERHALTER等[30]研究显示23Na-MRI与常规质子MRI指标可随病程改变。长期禁食研究提示,代谢MRI结果应结合干预强度、观察时间及功能指标审慎解释[31]。多参数MRI可联合脂肪分数、T2、扩散和弹性指标评价脂肪替代、水分、纤维化及微结构,其局限性在于参数特异性和跨平台一致性仍需验证[32, 33]。不同定量MRI技术反映的组织学信息各有侧重,临床应用应围绕诊断分型、疗效监测、功能相关性和风险分层等具体目的,选择稳定、可重复且具有解释意义的影像指标。肌肉体积、PDFF和IMAT目前最接近临床转化;T2 mapping适合作为炎症水肿和活动性损伤的补充指标;DWI/DTI和MRS仍主要用于机制研究。临床研究应完整报告测量部位、分割边界、IMAT定义、PDFF计算模型、后处理软件和质量控制方法。只有在采集协议、感兴趣区(region of interest, ROI)定义和统计建模相对统一的基础上,定量MRI指标才可能由科研变量转化为可比较、可验证且具有临床解释力的影像生物标志物[20, 34, 35]。

表1  定量MRI技术在肌少症评估中的主要应用
Tab. 1  Main applications of quantitative MRI techniques in sarcopenia assessment

4 定量MRI技术在肌少症中的临床应用

4.1 肌少症诊断与影像分型

       肌少症的一线诊断仍应以筛查问卷、肌力、身体表现和DXA/BIA等可及性较高的方法为基础[1, 3, 4]。MRI目前并不适合作为普通社区人群的大规模筛查工具,但在诊断不明确、高危人群、科研队列和复杂疾病场景中具有重要补充价值。其优势在于能够在同一检查中获得肌肉体积、PDFF、IMAT和椎旁肌脂肪分数等多维指标,从而识别肌肉量下降型、肌肉质量下降型和肌少症性肥胖型等不同表型[5, 8, 10, 36]。对于肌肉量尚未明显下降但肌力或步速已下降的个体,PDFF和IMAT升高可提示脂肪浸润和异位脂肪沉积可能参与功能损害。SHIIBA等[37]发现老年人小腿肌肉纹理复杂性和异质性增加,提示影像组学可在传统肌肉量和组织成分评价基础上提供额外的信息补充。传统肌肉量评价主要通过DXA测量四肢骨骼肌量(appendicular skeletal muscle mass, ASM)及计算四肢骨骼肌指数(appendicular skeletal muscle mass index, ASMI),或通过BIA估算身体组成;在影像学研究中,也常采用CT或MRI测量特定层面骨骼肌CSA,全身或局部肌肉体积,以及归一化后的肌肉指数,以反映肌肉储备水平[4, 5, 13]。MRI影像组学则是在完成ROI分割后,从原始或定量MRI图像中提取高维特征,包括一阶统计学特征(如灰度分布、均值、偏度、峰度)、形状特征(如体积、表面积、紧致度)以及纹理特征(如灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵等),用于描述肌肉内部脂肪浸润不均、信号异质性及空间分布模式等传统指标难以反映的信息。

       大样本MRI队列为肌少症分型提供了重要证据。基于英国生物样本库(UK Biobank)的研究显示,肌肉体积和脂肪浸润具有不同临床含义:肌肉体积降低主要指向肌肉储备不足,与肌力下降更密切;肌肉脂肪浸润或IMAT增加则提示肌肉质量受损和代谢负担加重,更容易对应衰弱表型[8, 10]。THANAJ等[11]在4万余名参与者中提取颈至膝肌肉体积、肌间脂肪和椎旁肌PDFF等指标,结果提示肌肉体积越低,握力等肌力指标越差;大腿IMAT越高,衰弱相关表现越明显,说明肌肉数量和肌肉质量指标在诊断分型中具有互补价值。LU等[38]在Duchenne型肌营养不良中发现,回波非对称及最小二乘估计定量迭代水脂分离(iterative decomposition of water and fat with echo asymmetry and least-squares estimation quantitation, IDEAL-IQ)脂肪分数与活检脂肪浸润及步行功能相关,但该结果尚不能直接外推至原发性老年肌少症。亚洲人群影像阈值的系统评价也提示,不同种族、性别、年龄和体型对肌肉量及脂肪浸润水平影响明显,MRI阈值不能简单照搬欧美人群标准[35]。因此,未来诊断研究应建立中国及亚洲人群分年龄、分性别、分体型和分疾病状态的MRI肌肉质量参考范围。

       在病因复杂的患者中,MRI还可为原发性衰老相关肌少症与继发性肌肉异常的鉴别提供组织表型信息。衰老相关肌肉改变可表现为肌肉体积下降、肌间脂肪逐渐增加和下肢肌群受累;慢性炎症、神经肌肉疾病、肿瘤恶病质或器官衰竭相关肌肉异常可能伴随更明显的水肿、异常信号、代谢紊乱或特定肌群选择性受累[6, 13, 23]。这些影像特征可作为进一步检查和随访重点的依据,但不能代替临床病因诊断。以肌肉体积下降为主的影像表型可能提示肌肉储备不足,以PDFF或IMAT升高为主的表型可能提示脂肪浸润和代谢负担增加,T2升高则需结合运动史、炎症、损伤和去神经化因素解释。MRI表型能否直接指导抗阻训练、营养处方或其他个体化干预,仍需前瞻性干预研究验证。

4.2 干预疗效监测

4.2.1 影像学疗效指标

       肌少症干预的目标并不只是增加体质量或肌肉面积,更重要的是改善肌力、身体表现和生活质量。传统疗效评价多依赖握力、步速、起坐试验、量表和DXA/BIA,局限性在于这些指标容易受学习效应、疼痛、依从性、体液状态和短期营养变化影响。定量MRI可提供相对客观的组织组成影像终点,尤其适用于纵向随访和小样本干预研究。干预后肌肉体积或CSA增加,可提示肌肉储备改善;PDFF和IMAT下降,可提示肌肉脂肪浸润或肌间脂肪沉积减轻,但影像指标变化仍应与肌力和身体表现联合解释。T2 mapping可反映组织水分及活动性改变,但运动后短期变化可能受生理性水分变化和扫描时点影响,解释时需结合运动负荷及检查时间[23, 24];MRS及31P-MRS可用于观察肌内脂质和能量代谢变化,但其作为肌少症疗效终点的证据仍主要来自机制性或特殊疾病研究[6]。因此,不同MRI参数不宜被简单视为可相互替代的疗效指标。

4.2.2 运动干预证据

       现有干预研究提示,MRI能够捕捉不同人群运动干预后的肌肉组成变化。GHASEMIKARAM等[27]在弗兰肯骨质疏松与肌肉减少症试验(Franconian Osteopenia and Sarcopenia Trial, FROST)中纳入72岁及以上,同时具有形态学肌少症和骨量减少或骨质疏松的社区男性,即骨肌减少症患者;运动组接受16个月高强度抗阻训练,非运动对照组不进行抗阻训练。MRI结果显示,对照组IMAT体积增加,而运动组保持稳定;大腿深筋膜内脂肪分数增幅在运动组为0.77%,对照组为7.7%,提示高强度抗阻训练可延缓该患者群体大腿脂肪浸润进展。OTSUKA等[28]纳入50~79岁的社区中老年人,研究未将肌少症作为入组条件,并随机分为无运动组、低强度抗阻训练组和中等强度抗阻训练组。24周后,中等强度组MRI测得的大腿肌肉CSA较无运动组增加,并改善与肌肉质量相关的电学指标;低强度组主要增加股四头肌CSA。EMANUELSSON等[39]开展的是长期耐力训练者、力量训练者与未训练者的横断面比较,并非肌少症干预队列;长期训练者的骨骼肌体积或CSA更大、脂肪浸润更低。上述研究对象和分组性质不同,结果应分别解释。

4.2.3 慢性病与神经肌病随访

       在慢性疾病和神经肌肉疾病中,MRI可用于纵向追踪肌肉形态和脂肪浸润变化。LAURENT等[40]在包涵体肌炎患者中证实了MRI量化肌肉形态和组成纵向变化的可行性,但该疾病特异性证据不能直接外推至原发性老年肌少症。对于肿瘤、慢性肝病、慢性肾病(chronic kidney disease, CKD)、慢性阻塞性肺疾病和心力衰竭患者,营养支持和康复治疗常受到炎症、疲劳、治疗毒性和活动受限影响,功能测试的短期波动较大。此时,MRI可作为组织组成评价的补充工具,与握力、步速、炎症指标、营养评分和生活质量联合评价。MARKEWITZ等[33]采用多参数定量MRI评价CKD患者骨骼肌,结果显示CKD患者可出现与脂肪浸润、纤维化和代谢异常相关的多参数差异,提示CKD相关肌肉异常并非仅表现为肌肉量减少。未来研究应进一步明确PDFF、IMAT、T2值和肌肉体积变化的最小临床重要差异,并验证这些影像学变化能否同步转化为肌力、身体表现、住院率和生活质量等临床获益。

4.3 功能相关性与风险分层的探索性证据

       目前定量MRI与肌少症临床结局之间的证据主要来自横断面功能相关研究和观察性风险分层研究,真正以前瞻性临床结局为终点的预后研究仍较少。LINGE等[8]基于UK Biobank大型观察性影像队列发现,由较低肌肉体积和较高肌肉脂肪浸润构成的不良肌肉组成与全因死亡风险增加相关,提示MRI肌肉质量信息可能在单纯肌肉量评价基础上提供附加的风险分层价值。但该研究属于观察性设计,尚不能证明因果关系,也未形成可直接用于个体临床决策的统一阈值。

       现有其他研究更多反映MRI指标与功能表型的相关性而非严格意义上的预后预测。THANAJ等[11]发现较低肌肉体积与较低握力相关,较高大腿IMAT与衰弱表型相关;FARROW等[23]报道大腿肌肉体积、脂肪分数、T2及扩散参数与衰弱指数、步速和肌力存在相关性;MAZZOLI等[41]的小样本研究显示,联合肌肉数量、组成和结构参数能够提高肌力模型的解释度。DE WEL等[32]主要评价磁共振弹性成像(magnetic resonance elastography, MRE)的重测可靠性及纵向评价可行性,且部分肌群的重测可靠性有限,因此该方法学证据尚不能等同于临床预后证据。

       因此,现阶段定量MRI更适合被定位为肌少症功能表型描述及风险分层的探索性工具。其能否在年龄、性别、体型、基础疾病、营养状态、肌力和身体表现等传统指标基础上,对跌倒、骨折、住院、失能、围手术期并发症及死亡提供独立的增量预测价值,仍需在确诊肌少症人群中通过多中心、前瞻性纵向队列研究进一步验证。

4.4 合并症评估

4.4.1 复杂共病评估

       肌少症常与肥胖、骨质疏松、脊柱退变、糖尿病、CKD、慢性肝病、慢性阻塞性肺疾病和心力衰竭等疾病共存。合并症状态下,肌肉质量下降往往由衰老、炎症、活动减少、胰岛素抵抗、营养不良和药物治疗共同驱动,单纯体质量、身体质量指数(body mass index, BMI)或肌肉面积难以准确描述风险。MRI可同时评估皮下脂肪、内脏脂肪、肌间脂肪、肌内脂肪和肌肉体积,因此尤其适合用于复杂合并症中的体成分精细评估[12, 13, 36, 42]。

4.4.2 肌少症性肥胖

       肌少症性肥胖是低肌肉量或低肌肉功能与脂肪过多并存的状态。欧洲临床营养与代谢学会(European Society for Clinical Nutrition and Metabolism, ESPEN)/欧洲肥胖研究协会(European Association for the Study of Obesity, EASO)共识提出,肌少症性肥胖诊断应同时考虑脂肪过多和肌少症两个维度[36]。MRI在该领域的优势是能够区分皮下脂肪、内脏脂肪、肌间脂肪和肌内脂肪,避免BMI掩盖肌肉质量下降。对于肥胖或代谢异常患者,PDFF和IMAT升高不仅提示肌肉脂肪浸润,也可能与胰岛素抵抗、慢性炎症和活动能力下降相关[12, 36]。因此,MRI可用于识别体质量不低但肌肉质量差的高风险人群,并为体质量管理过程中防止肌肉流失提供影像依据。近期体成分研究进一步提示,年龄与BMI对肌肉、皮下脂肪、内脏脂肪及其他异位脂肪库的影响并不相同,因此肥胖人群的肌肉脂肪浸润应结合年龄、总体脂肪分布和体型共同解释,不能仅依赖单一BMI分层[42]。

4.4.3 骨肌交互

       骨肌交互是另一个重要应用场景。肌少症与骨质疏松、跌倒和骨折风险密切相关,二者共同构成老年骨肌系统退变的重要表现。HUANG等[19]在慢性腰痛患者中发现,椎旁肌CSA降低、PDFF升高,并与腰椎间盘退变程度及部分疼痛或功能指标相关。JEON等[17]的回顾性研究提示,椎旁肌脂肪变性与骨质疏松性椎体压缩骨折后进行性椎体塌陷相关;MOHAJER等[16]在Osteoarthritis Initiative纵向队列中发现,股四头肌CSA下降及肌内脂肪增加与后续膝骨关节炎症状恶化和膝关节置换风险相关。这些结果支持肌肉数量和质量指标在骨肌疾病风险表型中的潜在价值,但研究对象并非原发性肌少症,不能直接作为肌少症预后证据。MRI可在同一检查中评估椎旁肌体积、PDFF、肌群不对称和骨髓脂肪状态,为构建骨肌联合风险模型提供基础,但其能否改善跌倒或骨折预防策略仍需前瞻性验证。SUZUKI等[18]将腰椎退变患者躯干肌T2 mapping与CT体成分参数进行比较,提示T2定量可从组织水分和肌肉状态角度补充传统CSA及密度评价,为脊柱退变相关肌肉质量表型提供了新的定量路径。

4.4.4 慢性代谢病与器官衰竭

       慢性代谢性疾病和器官衰竭也常伴随继发性肌少症。糖尿病和非酒精性脂肪性肝病患者的肌肉脂肪浸润通常反映胰岛素抵抗和异位脂肪沉积加重;CKD和慢性肝病患者则常受炎症、营养不良和活动减少共同影响;慢性阻塞性肺疾病和心力衰竭患者还存在运动耐量下降和能量代谢异常。MRI可通过PDFF、IMAT和MRS等指标同时评价脂肪沉积和代谢状态。CKD患者的多参数定量MRI还可较早识别脂肪浸润、纤维化和代谢调节异常等多维肌肉表型[33]。因此,MRI更适合作为高危患者精细评估和纵向随访的补充工具,而非一线筛查手段。

4.5 围手术期风险分层的潜在应用

4.5.1 影像风险指标

       围手术期风险评估是肌少症影像学具有潜在转化价值的应用方向。较低肌肉体积或CSA提示储备不足,较高肌肉脂肪浸润提示肌肉质量受损;既往体成分研究提示上述指标与术后并发症、住院时间、再入院和死亡等结局相关[12, 13],但相关证据目前主要来自腹部CT,尤其是L3水平骨骼肌面积和肌肉密度。MRI在肝胆胰、盆腔肿瘤、直肠癌、妇科肿瘤、前列腺疾病、脊柱疾病及需重复随访的患者中具有无电离辐射和软组织对比度高的优势,可作为CT体成分评价的重要补充。然而,MRI肌肉体积、PDFF或IMAT能否在传统临床风险因素基础上提供独立的围手术期增量预测价值,仍需专门的前瞻性研究验证。目前相关研究主要集中于肿瘤患者和复杂外科患者术前肌肉储备评估,通过结合肌肉体积、PDFF及IMAT等指标识别潜在高风险表型,并探索其与术后并发症、恢复时间及长期结局的关系。

4.5.2 肿瘤与恶病质

       肿瘤和恶病质患者常同时存在肌肉减少、脂肪浸润及炎症代谢异常。既往体成分研究提示,肌肉耗竭与治疗耐受性下降及不良临床结局相关,但相关证据主要来自CT或临床体成分指标,不能直接作为MRI预测效能的证据[12, 13, 36]。MRI可在肿瘤患者常规检查基础上同步评价腰大肌、椎旁肌及脂肪分布,为术前营养风险评估、预康复研究及治疗耐受性分析提供补充信息。

4.5.3 骨科与脊柱手术

       在骨科和脊柱疾病相关围手术期研究中,椎旁肌和下肢肌群状态可能与患者功能状态及疾病进展相关。现有研究提示,下肢肌肉组成异常与膝骨关节炎相关表型存在关联[16];椎旁肌萎缩及脂肪变性则与脊柱退变、骨质疏松性椎体压缩骨折等疾病表型相关[17, 18, 19]。但这些结果主要来自特定疾病队列,不能直接外推为一般肌少症手术预后证据。MRI可在术前同时评估病变结构和邻近肌群状态,为围手术期风险研究提供组织表型。未来仍需验证肌肉体积、PDFF、IMAT联合营养炎症指标和功能测试后是否能够改善风险预测,并明确其对临床管理决策的实际价值。因此,当前MRI围手术期风险分层仍主要处于探索阶段,未来应重点验证肌肉体积、PDFF和IMAT等指标联合临床因素后的增量预测价值。

表2  定量MRI在肌少症及相关肌肉质量研究中的代表性临床证据
Tab. 2  Representative clinical evidence for quantitative MRI in sarcopenia and related muscle-quality research

5 MRI影像组学与人工智能在肌少症中的应用

       定量MRI临床转化的主要瓶颈之一是分割和后处理效率。影像组学可从MRI图像中提取强度、形态、纹理和空间异质性等高维特征,用于描述传统肌肉量指标和平均脂肪分数难以反映的组织异质性。现有研究主要关注影像组学特征对肌肉衰老、肌少症表型识别及功能状态评估的辅助价值。例如SHIIBA等[37]发现老年人小腿MRI纹理特征存在差异,提示纹理分析可补充传统肌肉量评价;ZUO等[43]进一步探索了结合CT和MRI定量特征的机器学习模型。然而,目前MRI影像组学直接预测跌倒、术后并发症或死亡等硬结局的证据仍有限,相关模型仍需更大样本、多中心验证[41, 42, 44]。

       人工智能技术主要应用于MRI肌肉自动分割、脂肪定量及多参数分析,目前应用仍以图像处理自动化和定量分析流程优化为主。深度学习可自动识别肌肉、皮下脂肪、肌间脂肪和不同肌群[43, 44],提高分割效率和重复性。DING等[45]基于脂水分离MRI实现大腿肌群自动分割和脂肪分数定量;GAJ等[46]建立了大腿肌肉形态和脂肪浸润自动化定量流程;相关研究提示AI有助于推动大规模MRI队列分析[47]。但当前仍存在样本量不足、标注标准不统一、跨设备泛化能力有限和外部验证不足等问题。未来研究应重点探索整合肌肉体积、PDFF、IMAT、T2及影像组学特征,并结合肌力、步速和临床资料构建具有临床解释性的多模态模型。人工智能在肌少症中的应用价值目前主要体现为提高定量MRI分析效率和促进多参数信息整合,而非替代临床诊断。未来应在标准化多中心MRI数据库基础上,进一步验证AI模型在诊断分型、干预监测和风险分层中的增量价值,并关注模型可解释性、跨设备适用性及临床获益。

6 局限性与展望

       定量MRI在肌少症领域的临床转化仍受标准化和阈值不足制约。不同研究在场强、序列参数、测量部位、ROI选择、分割边界、是否纳入IMAT、归一化方式和后处理软件方面差异较大,导致肌肉体积、PDFF、IMAT等指标的可比性有限[5, 6, 20, 34]。未来需探索不同设备、场强和厂商间MRI定量指标的一致性评价方法,并建立必要的数据校准和标准化流程,应重点建立适用于中国及亚洲人群的多参数MRI参考数据库,明确不同年龄、性别、体型及疾病状态下的参考范围,并通过多中心研究评价核心MRI指标的重复性和临床解释性。

       在临床应用方向上,未来研究应从横断面相关性逐步转向前瞻性结局验证,重点评价肌肉体积、PDFF、IMAT及多参数组合在传统肌力、身体表现和DXA/BIA评价基础上,对跌倒、住院、围手术期并发症等结局是否具有额外预测价值。在围手术期风险分层方面,应优先关注术前常规MRI检查中可获得的肌肉储备和肌肉质量指标,并验证其与临床风险模型联合后的增量价值。干预研究需进一步明确MRI指标的反应性及最小临床重要差异,评价影像学变化是否与肌力、身体功能和长期结局改善同步。AI相关研究则应由自动分割效率评价进一步转向临床效益验证,重点解决多中心数据一致性、外部验证和模型泛化问题。

7 小结

       多模态定量MRI可从肌肉储备、脂肪浸润、组织水分、微结构和代谢状态等层面补充肌少症评价[48]。现有证据较充分地支持肌肉体积、PDFF和IMAT用于肌肉数量与质量表型描述;T2 mapping、DWI/DTI和MRS可提供机制性信息,但标准化和临床验证仍不足。MRI目前更适用于高危人群精细评估、复杂疾病研究及纵向干预监测,不宜替代肌力、身体表现和常规肌肉量评价。现有关于功能结局和风险分层的证据以横断面相关性和观察性研究为主,真正以前瞻性硬结局为终点的MRI预后研究仍有限。未来应建立中国及亚洲人群参考范围,统一采集与分割标准,并通过多中心前瞻性研究验证MRI指标对功能下降、围手术期并发症、住院和死亡等结局的独立增量价值,从而促进定量MRI从科研工具向具有明确适用边界的临床影像生物标志物转化。

[1]
CHEN L K, 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.
[2]
KIRK B, CAWTHON P M, ARAI H, et al. The conceptual definition of sarcopenia: Delphi consensus from the global leadership initiative in sarcopenia (GLIS)[J/OL]. Age Ageing, 2024, 53(3): afae052 [2026-09-11]. https://pmc.ncbi.nlm.nih.gov/articles/PMC10960072/. DOI: 10.1093/ageing/afae052.
[3]
中华医学会老年医学分会, 国家老年疾病临床医学研究中心(湘雅医院). 中国肌肉减少症诊疗指南(2024版)[J]. 中华医学杂志, 2025, 105(3): 181-203. DOI: 10.3760/cma.j.cn112137-20240724-01701.
The Geriatrics Branch of the Chinese Medical Association, The National Clinical Research Center for Geriatric Disorders (Xiangya Hospital). Guideline for diagnosis and treatment of sarcopenia in China (2024 edition)[J]. Natl Med J China, 2025, 105(3): 181-203. DOI: 10.3760/cma.j.cn112137-20240724-01701.
[4]
CRUZ-JENTOFT A J, 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.
[5]
CODARI M, ZANARDO M, DI SABATO M E, 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.
[6]
ENGELKE K, CHAUDRY O, GAST L, et al. Magnetic resonance imaging techniques for the quantitative analysis of skeletal muscle: State of the art[J]. J Orthop Translat, 2023, 42: 57-72. DOI: 10.1016/j.jot.2023.07.005.
[7]
HOOIJMANS M T, SCHLAFFKE L, BOLSTERLEE B, et al. Compositional and functional MRI of skeletal muscle: a review[J]. J Magn Reson Imaging, 2024, 60(3): 860-877. DOI: 10.1002/jmri.29091.
[8]
LINGE J, PETERSSON M, FORSGREN M F, et al. Adverse muscle composition predicts all-cause mortality in the UK Biobank imaging study[J]. J Cachexia Sarcopenia Muscle, 2021, 12(6): 1513-1526. DOI: 10.1002/jcsm.12834.
[9]
TAGLIAFICO A S, BIGNOTTI B, TORRI L, et al. Sarcopenia: how to measure, when and why[J]. Radiol Med, 2022, 127(3): 228-237. DOI: 10.1007/s11547-022-01450-3.
[10]
FARON A, SPRINKART A M, KUETTING D L R, et al. Body composition analysis using CT and MRI: intra-individual intermodal comparison of muscle mass and myosteatosis[J/OL]. Sci Rep, 2020, 10(1): 11765 [2026-09-11]. https://www.nature.com/articles/s41598-020-68797-3. DOI: 10.1038/s41598-020-68797-3.
[11]
THANAJ M, BASTY N, WHITCHER B, et al. Precision MRI phenotyping of muscle volume and quality at a population scale[J/OL]. Front Physiol, 2024, 15: 1288657 [2026-09-11]. https://www.frontiersin.org/articles/10.3389/fphys.2024.1288657. DOI: 10.3389/fphys.2024.1288657.
[12]
GARCIA-DIEZ A I, PORTA-VILARO M, ISERN-KEBSCHULL J, et al. Myosteatosis: diagnostic significance and assessment by imaging approaches[J]. Quant Imaging Med Surg, 2024, 14(11): 7937-7957. DOI: 10.21037/qims-24-365.
[13]
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.
[14]
张新茹, 张晓东. 多模态MRI定量评估骨骼肌的研究进展[J]. 国际医学放射学杂志, 2024, 47(6): 725-729, 735. DOI: 10.19300/j.2024.Z21361.
ZHANG X R, ZHANG X D. Research progress in quantitative assessment by multimodal MRI in skeletal muscle[J]. Int J Med Radiol, 2024, 47(6): 725-729, 735. DOI: 10.19300/j.2024.Z21361.
[15]
SINHA U, SINHA S. Magnetic resonance imaging biomarkers of muscle[J]. Tomography, 2024, 10(9): 1411-1438. DOI: 10.3390/tomography10090106.
[16]
MOHAJER B, DOLATSHAHI M, MORADI K, et al. Role of thigh muscle changes in knee osteoarthritis outcomes: osteoarthritis initiative data[J]. Radiology, 2022, 305(1): 169-178. DOI: 10.1148/radiol.212771.
[17]
JEON I, KIM S W, YU D. Paraspinal muscle fatty degeneration as a predictor of progressive vertebral collapse in osteoporotic vertebral compression fractures[J]. Spine J, 2022, 22(2): 313-320. DOI: 10.1016/j.spinee.2021.07.020.
[18]
SUZUKI N, EGUCHI Y, IWATA S, et al. Evaluation of trunk muscles in lumbar degenerative disease using magnetic resonance imaging T2 mapping: Association with computed tomography parameters and body composition[J]. J Orthop Sci, 2026, 31(3): 513-520. DOI: 10.1016/j.jos.2025.09.013.
[19]
HUANG Y L, WANG L, ZENG X M, et al. Association of paraspinal muscle CSA and PDFF measurements with lumbar intervertebral disk degeneration in patients with chronic low back pain[J/OL]. Front Endocrinol, 2022, 13: 792819 [2026-09-11]. https://www.frontiersin.org/articles/10.3389/fendo.2022.792819. DOI: 10.3389/fendo.2022.792819.
[20]
ECK B L, GAJ S, LARTEY R, et al. Reproducibility of proton density fat fraction assessment of thigh muscle in a multi-site, multi-vendor cohort study at 10 years after anterior cruciate ligament reconstruction[J]. Quant Imaging Med Surg, 2024, 14(12): 8099-8118. DOI: 10.21037/qims-24-287.
[21]
SCHLAEGER S, SOLLMANN N, ZOFFL A, et al. Quantitative muscle MRI in patients with neuromuscular diseases-association of muscle proton density fat fraction with semi-quantitative grading of fatty infiltration and muscle strength at the thigh region[J/OL]. Diagnostics (Basel), 2021, 11(6): 1056 [2026-09-11]. https://www.mdpi.com/2075-4418/11/6/1056. DOI: 10.3390/diagnostics11061056.
[22]
ZHANG W S, FU C, YAN D, et al. Quantification of volumetric thigh and paravertebral muscle fat content: comparison of quantitative Dixon (Q-Dixon) magnetic resonance imaging (MRI) with high-speed T2-corrected multiecho MR spectroscopy[J]. Quant Imaging Med Surg, 2024, 14(7): 4490-4505. DOI: 10.21037/qims-24-127.
[23]
FARROW M, BIGLANDS J, TANNER S F, et al. The effect of ageing on skeletal muscle as assessed by quantitative MR imaging: an association with frailty and muscle strength[J]. Aging Clin Exp Res, 2021, 33(2): 291-301. DOI: 10.1007/s40520-020-01530-2.
[24]
BARBIERI M, HOOIJMANS M T, MOULIN K, et al. A deep learning approach for fast muscle water T2 mapping with subject specific fat T2 calibration from multi-spin-echo acquisitions[J/OL]. Sci Rep, 2024, 14(1): 8253 [2026-09-11]. https://pubmed.ncbi.nlm.nih.gov/38589478/. DOI: 10.1038/s41598-024-58812-2.
[25]
FORSTING J, ROHM M, FROELING M, et al. Quantitative muscle MRI captures early muscle degeneration in calpainopathy[J/OL]. Sci Rep, 2022, 12: 19676 [2026-09-11]. https://www.nature.com/articles/s41598-022-23972-6. DOI: 10.1038/s41598-022-23972-6.
[26]
ASSI A, RAMADAN B, KARAM M, et al. Muscle fat infiltration: a narrative review of the magnetic resonance (MR)-based evaluation methods and their clinical applications[J]. Quant Imaging Med Surg, 2024, 14(12): 9563-9588. DOI: 10.21037/qims-24-177.
[27]
GHASEMIKARAM M, CHAUDRY O, NAGEL A M, et al. Effects of 16 months of high intensity resistance training on thigh muscle fat infiltration in elderly men with osteosarcopenia[J]. Geroscience, 2021, 43(2): 607-617. DOI: 10.1007/s11357-020-00316-8.
[28]
OTSUKA Y, YAMADA Y, MAEDA A, et al. Effects of resistance training intensity on muscle quantity/quality in middle-aged and older people: a randomized controlled trial[J]. J Cachexia Sarcopenia Muscle, 2022, 13(2): 894-908. DOI: 10.1002/jcsm.12941.
[29]
NEAL M A, BOLANO-DIAZ C F, RICHARDSON M, et al. Rapid quantitative assessment of muscle sodium dynamics after exercise using 23Na-MRI in dysferlinopathy and healthy controls[J/OL]. J Cachexia Sarcopenia Muscle, 2025, 16(1): e13709 [2026-09-11]. https://onlinelibrary.wiley.com/doi/10.1002/jcsm.13709. DOI: 10.1002/jcsm.13709.
[30]
GERHALTER T, MARTY B, GAST L V, et al. Longitudinal follow-up of patients with Duchenne muscular dystrophy using quantitative 23Na and 1H MRI[J/OL]. J Cachexia Sarcopenia Muscle, 2025, 16(2): e13812 [2026-09-11]. https://onlinelibrary.wiley.com/doi/10.1002/jcsm.13812. DOI: 10.1002/jcsm.13812.
[31]
NAËGEL A, VIALLON M, RATINEY H, et al. Impact of long-term fasting on skeletal muscle: structure, energy metabolism and function using 31P/1H MRS and MRI[J/OL]. J Cachexia Sarcopenia Muscle, 2025, 16(2): e13773 [2026-09-11]. https://onlinelibrary.wiley.com/doi/10.1002/jcsm.13773. DOI: 10.1002/jcsm.13773.
[32]
DE WEL B, HUYSMANS L, PEETERS R, et al. Test-retest reliability and follow-up of muscle magnetic resonance elastography in adults with and without muscle diseases[J]. J Cachexia Sarcopenia Muscle, 2024, 15(5): 1761-1771. DOI: 10.1002/jcsm.13528.
[33]
MARKEWITZ N, WU C, VANDSBURGER M, et al. Multiparametric quantitative magnetic resonance imaging of skeletal muscle in CKD[J]. Am J Physiol Renal Physiol, 2025, 329(1): F99-F111. DOI: 10.1152/ajprenal.00254.2024.
[34]
WANG L, LU S, FENG J H, et al. Muscle imaging assessments in sarcopenia: a statement from China national center for orthopedics (NCO) and the east meets west action group of the European calcified tissue society (ECTS)[J/OL]. Calcif Tissue Int, 2025, 116(1): 144 [2026-09-11]. https://link.springer.com/article/10.1007/s00223-025-01447-w. DOI: 10.1007/s00223-025-01447-w.
[35]
ANG S W, LIEW J, DHARMARATNAM V M, et al. Diagnostic performance of various radiological modalities in the detection of sarcopenia within Asian populations: a systematic review[J]. Ann Coloproctol, 2025, 41(1): 27-39. DOI: 10.3393/ac.2024.00080.0011.
[36]
DONINI L M, BUSETTO L, BISCHOFF S C, 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.
[37]
SHIIBA T, MORI S, SHIMOZONO T, et al. Assessment of age-related differences in lower leg muscles quality using radiomic features of magnetic resonance images[J]. J Imaging Inform Med, 2025, 38(2): 1040-1050. DOI: 10.1007/s10278-024-01268-7.
[38]
LU Y Y, YIN L, LIU C, et al. Quantitative MRI findings and their relationship to muscle histopathology and ambulatory clinical function in Duchenne muscular dystrophy[J/OL]. J Cachexia Sarcopenia Muscle, 2026, 17(1): e70205 [2026-09-11]. https://onlinelibrary.wiley.com/doi/10.1002/jcsm.70205. DOI: 10.1002/jcsm.70205.
[39]
EMANUELSSON E B, BERRY D B, REITZNER S M, et al. MRI characterization of skeletal muscle size and fatty infiltration in long-term trained and untrained individuals[J/OL]. Physiol Rep, 2022, 10(14): e15398 [2026-09-11]. https://physoc.onlinelibrary.wiley.com/doi/10.14814/phy2.15398. DOI: 10.14814/phy2.15398.
[40]
LAURENT D, RIEK J, SINCLAIR C D J, et al. Longitudinal changes in MRI muscle morphometry and composition in people with inclusion body myositis[J/OL]. Neurology, 2022, 99(9): e865-e876 [2026-09-11]. https://pubmed.ncbi.nlm.nih.gov/36038279/. DOI: 10.1212/WNL.0000000000200776.
[41]
MAZZOLI V, VAINBERG Y, HALL M E, et al. Improved strength prediction combining MRI biomarkers of muscle quantity and quality[J/OL]. NMR Biomed, 2025, 38(9): e70112 [2026-09-11]. https://analyticalsciencejournals.onlinelibrary.wiley.com/doi/10.1002/nbm.70112. DOI: 10.1002/nbm.70112.
[42]
WANG L, LIU Y D, LI K, et al. Age and BMI have different effects on subcutaneous, visceral, liver, bone marrow, and muscle adiposity, as measured by CT and MRI[J]. Obesity (Silver Spring), 2024, 32(7): 1339-1348. DOI: 10.1002/oby.24040.
[43]
ZUO H Y, BI Q, LIU X L, et al. The value of unsupervised machine learning algorithms based on CT and MRI for predicting sarcopenia[J/OL]. Front Public Health, 2025, 13: 1649400 [2026-09-11]. https://www.frontiersin.org/articles/10.3389/fpubh.2025.1649400. DOI: 10.3389/fpubh.2025.1649400.
[44]
ROZYNEK M, KUCYBAŁA I, URBANIK A, et al. Use of artificial intelligence in the imaging of sarcopenia: a narrative review of current status and perspectives[J/OL]. Nutrition, 2021, 89: 111227 [2026-09-11]. https://doi.org/10.1016/j.nut.2021.111227. DOI: 10.1016/j.nut.2021.111227.
[45]
DING J, CAO P, CHANG H C, et al. Deep learning-based thigh muscle segmentation for reproducible fat fraction quantification using fat–water decomposition MRI[J/OL]. Insights Imaging, 2020, 11(1): 128 [2026-09-11]. https://insightsimaging.springeropen.com/articles/10.1186/s13244-020-00946-8. DOI: 10.1186/s13244-020-00946-8.
[46]
GAJ S, ECK B L, XIE D X, et al. Deep learning-based automatic pipeline for quantitative assessment of thigh muscle morphology and fatty infiltration[J]. Magn Reson Med, 2023, 89(6): 2441-2455. DOI: 10.1002/mrm.29599.
[47]
AKELLA V, BAGHERINASAB R, LEE H, et al. Automated body composition analysis using DAFS express on 2D MRI slices at L3 vertebral level[J]. J Imaging Inform Med, 2026, 39(1): 548-556. DOI: 10.1007/s10278-025-01544-0.
[48]
VERDU-DIAZ J, BOLANO-DÍAZ C, GONZALEZ-CHAMORRO A, et al. Myo-guide: a machine learning-based web application for neuromuscular disease diagnosis with MRI[J/OL]. J Cachexia Sarcopenia Muscle, 2025, 16(3): e13815 [2026-09-11]. https://onlinelibrary.wiley.com/doi/10.1002/jcsm.13815. DOI: 10.1002/jcsm.13815.

上一篇 磁共振引导自适应放射治疗在子宫恶性肿瘤中的应用与进展
下一篇 高场与超高场肌骨系统MR成像:从结构可视化到微结构与成分定量的进展与挑战
  
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