基于肌肉质量与脂肪质量分布的机器学习识别成人肌少症与肌少症肥胖风险

《Healthcare》:Distribution of Muscle Mass and Fat Mass to Identify the Risk of Sarcopenia and Sarcopenic Obesity in Adults via Machine Learning

【字体: 大 中 小 】 时间:2026年06月18日 来源:Healthcare 2.7

编辑推荐:

  研究目的:本研究旨在利用无监督机器学习模型,通过评估脂肪与肌肉质量之间的关联,对成人样本进行表型定义。研究方法:该横断面研究纳入2710名成人,其中女性1907名、男性803名。分析的变量包括绝对肌肉质量、相对肌肉质量、肌肉质量指数(muscle mass i

  
研究目的:本研究旨在利用无监督机器学习模型,通过评估脂肪与肌肉质量之间的关联,对成人样本进行表型定义。研究方法:该横断面研究纳入2710名成人,其中女性1907名、男性803名。分析的变量包括绝对肌肉质量、相对肌肉质量、肌肉质量指数(muscle mass index)、四肢骨骼肌质量(appendicular skeletal muscle mass, ASM)、体脂百分比、总脂肪量、躯干/四肢脂肪比值以及脂肪肌肉比(fat-to-muscle ratio, FMR)。按性别分别进行K均值聚类(K-means clustering),通过惯性指标(inertia)和轮廓系数(silhouette measures)验证聚类效果,并采用基于方差的事后检验及Tukey检验进行比较。研究结果:按性别识别出不同的表型。女性中观察到代偿性肌肉型、正常/瘦体型和肌少症肥胖型表型;男性中则识别出代谢性肥胖型、运动/保护型和肌少症风险/瘦体型表型。对于女性,肌少症肥胖型表型以最高脂肪负荷和更高FMR为特征,提示脂肪质量与肌肉质量之间存在比例失调。对于男性,肌少症风险/瘦体型表型定义为肌肉质量有限且FMR不利,尽管其体质指数(body mass index, BMI)值与非肥胖个体相当。在整个样本中,女性的FMR值更高且变异性大于男性。所有表型间差异均具有统计学意义(p < 0.001)。研究结论:无监督机器学习识别出传统BMI单独评估无法充分捕捉的生物学上不同的身体成分表型。
研究背景与问题:代谢健康及成年期健康相关体能受多种生物学和行为因素共同决定,其中身体成分(body composition, BC)是贯穿全生命周期的核心要素。身体成分并非静态特征,而是反映了骨骼肌与脂肪组织之间的动态平衡,该平衡受衰老、体力活动不足及长期久坐行为的显著影响。伴随脂肪组织不成比例地堆积,这些因素会加速骨骼肌质量的下降,使机体逐渐转向不利的代谢表型。肌肉量减少与体脂过度增加可导致代谢稳态破坏、功能能力下降以及慢性疾病风险增加,包括心血管疾病、衰弱、残疾和胰岛素抵抗等。尽管组织间相互作用复杂,体质指数(BMI)仍被广泛用作标准化营养和代谢分析指标,但其仅基于体型估算,无法区分脂肪量与瘦体重及其在个体内的相对分布。这种简化方法导致相似BMI分组下的身体成分谱系存在实质性差异,而忽略了代谢和功能风险。肌少症肥胖(sarcopenic obesity)即为此类典型——以肌肉量极少和脂肪量高为特征,传统人体测量指标难以充分评估。因此,亟需改进身体成分评估方法,以识别不同组织间的相互作用,进而提供更全面的脂肪信息及相对肌肉质量指标,以及肌肉骨骼系统所能承受的功能负荷。四肢骨骼肌质量指数(appendicular skeletal muscle mass index, ASMI)、相对骨骼肌质量(relative skeletal muscle mass, RSM)和FMR等指数可提供比BMI更具临床价值的信息,尤其鉴于肌肉与脂肪组织的相互作用并非线性关系。

研究开展与意义:在此背景下,基于人工智能(artificial intelligence, AI)和无监督机器学习(unsupervised machine learning, ML)的模型应运而生,能够通过数据分类识别隐藏模式。其中,K均值聚类算法被用于探索大规模数据集中的隐藏信息,以生成基于身体成分分析衍生的表型分层。该分析旨在克服预设切点或孤立变量评估的局限,通过整合性方法识别肌肉质量与脂肪质量间的相互作用,从而发现可能处于代谢或功能下降风险的亚临床或过渡性表型。尽管肌少症在老年人群中已有广泛研究,且风险分层框架主要针对该年龄组建立,但关于中青年成人不良肌肉-脂肪表型的识别关注较少。这一文献空白尤为重要,因为成年早期和中年期可能是不利身体成分轨迹开始固化的关键阶段。在更严重恶化发生前检测此类表型,有助于改善风险分层并支持更及时、更具针对性的预防策略实施。基于此,本研究旨在根据肌肉质量与脂肪相互作用的关联,对成人人群进行特定表型分层,并假设无监督机器学习能够基于肌肉质量与脂肪质量的相互作用识别出不同的身体成分表型,其中部分可能反映与肌少症相关风险的不利表型。该论文发表于《Healthcare》。

关键技术方法:研究采用横断面设计,样本来源于2710名成人队列(女性1907名,男性803名,平均年龄37.72岁)。所有分析使用Python 3.10.11完成,主要调用Pandas、NumPy进行数据处理,Scikit-learn进行聚类与模型验证,SciPy进行统计检验,Matplotlib与Seaborn进行图形可视化。原始身体成分变量经标准化转换生成ASMI、骨骼肌指数(skeletal muscle index, SMI)、FMR、RSM及躯干/四肢脂肪比值等生物标志物。ASMI按四肢骨骼肌质量(kg)除以身高平方(m2)计算;FMR为总脂肪量与骨骼肌质量之比;RSM为骨骼肌质量与总体重之比,以百分比表示;SMI为总骨骼肌质量(kg)除以身高平方(m2);躯干/四肢脂肪比值则反映中心性脂肪分布及内脏炎症潜在风险。聚类前对所有变量进行Z分数标准化处理,缺失值采用插补程序处理。采用K均值聚类(初始化为k-means++),设定按性别各3个聚类(K=3),最大迭代500次,随机初始化20次(n_init=20),以欧几里得距离度量。聚类数目确定依据肘部法(惯性指标与收益递减点)及轮廓系数,并通过Bootstrap重复抽样1000次验证聚类结构稳定性。统计比较采用单因素方差分析(one-way ANOVA)及Tukey's HSD事后检验。

研究结果:

男性身体成分表型识别:聚类分析识别出三种生物学上不同的身体成分表型(p < 0.001)。运动/保护型表型(n=450)呈现最有利特征,相对肌肉质量最高、FMR最低,提示代谢储备 robust 且结构完整性得以保持。代谢性肥胖型表型(n=181)表现出明显稳态失衡,尽管绝对肌肉质量相对较高,但脂肪量接近运动型组的三倍,BMI达病理水平(35.37±4.48 kg/m2)。肌少症风险/瘦体型表型(n=172)为男性队列中最年轻亚组(33.73±14.12岁),呈现更微妙但可能具有临床相关性的脆弱性——BMI相对适中(24.54±3.12 kg/m2),但绝对肌肉质量最低(31.84±3.24 kg)、FMR相对较低(0.55±0.25),符合"隐匿性"肌少症相关特征,可能使个体易于早期衰弱和代谢恶化。

女性身体成分表型识别:聚类算法识别出三种异质性风险表型(所有变量p < 0.001)。肌少症肥胖型表型(n=650)呈现最不利代谢特征,脂肪组织与肌肉组织间严重比例失调。虽然绝对肌肉质量与其他组大致相当(26.13 kg),但该组织承受临界脂肪负荷43.63 kg,FMR达病理水平(1.67±0.23),提示慢性脂肪过载导致的肌肉质量显著损害。正常/瘦体型组(n=684)为该队列中最年轻亚组(36.04岁),代表最有利的参照表型,体重最低(62.93 kg)、BMI(25.24 kg/m2)及代谢效率最优。代偿性肌肉型表型(n=573)揭示了一种独特的生理适应,包含平均身高最高(1.61 m)且相对肌肉质量(36.41%)升高的女性,但该组BMI超重(28.05 kg/m2)、躯干/四肢脂肪比值升高(1.28±0.07),提示更中心化的脂肪分布,尽管肌肉表观较为 robust,仍需代谢监测。

雷达图代谢与结构指纹分析:雷达图作为代谢和结构指纹,可同时可视化定义各表型的九个关键变量间的复杂相互作用。男性表型分析显示,运动型与保护型在各肌肉密度相关轴向上形成对比,代谢性肥胖型向肥胖和FMR维度偏移,肌少症/瘦体质量风险型呈现更缩减的、与更大整体脆弱性相关的模式。女性雷达图揭示肌少症肥胖型的失衡特征,以脂肪量、年龄和代谢负荷为特征变量,而肌肉效率模式并不清晰。该表征确认所识别表型不仅与孤立数值相关,更涉及以牺牲肌肉质量和比例性为代价的脂肪增加所产生的不同生物学构型。

FMR性别分布密度曲线:男性FMR值较低,主要集中于约0.3至0.7之间,峰值约0.45-0.50;女性FMR值较高,主要介于0.8至1.5之间,峰值约1.0-1.1。这些发现表明女性脂肪肌肉比高于男性,而女性更广泛的分布也提示FMR变异性更大。

相对骨骼肌质量与中心性脂肪分布关联:两性均观察到相对骨骼肌质量与中心性脂肪分布之间存在弱至中度正相关。男性平均肌肉质量更大、躯干脂肪分布范围更广;女性相对肌肉质量较低、身体成分类别间区分更清晰。肌少症肥胖以肌肉量减少与特定脂肪分布模式组合为特征。

基于肌肉质量与脂肪分布的体型分布分析:分析显示单一变量均不能解释身体成分,最优状态为"正常/瘦体型","中间型"作为代偿类别,最高风险与肌少症肥胖相关。

性别差异的SMI与体脂百分比关系:男性SMI值较高、体脂百分比较低;女性呈现相反模式。识别出中间范围(SMI≈9-12 kg/m2),两性部分重叠,但女性分布明显向更高体脂值和更低肌肉指数值偏移。

研究讨论:本研究通过基于K均值聚类的无监督机器学习方法,对2710名成人进行身体成分表型分层,旨在识别由肌肉质量与脂肪相互作用定义的、超越传统人体测量分类的成人早期风险表型。研究结果支持研究假设,表明ASMI与FMR的联合使用能够识别传统BMI评估可能部分掩盖的不同表型,这些表型具有潜在不利的代谢和肌肉骨骼特征。特别是,男性肌少症风险/瘦体型表型在BMI处于可能不会立即引起临床关注的范围内时,已呈现明显受损的肌肉特征;而女性肌少症肥胖型表型则呈现显著升高的FMR,尽管绝对肌肉质量得以保留,仍提示肌肉质量实质性损害。基于AI模型、特别是无监督ML模型的ASMI与FMR指标交互分析,可作为评估成人肌少症和肌脂肪变性(myosteatosis)风险的更敏感策略。该研究一致表明BMI作为代谢健康和身体成分独立指标的局限性,其新意在于采用数据驱动的多指数量化方法,以FMR作为连续代谢质量指标(而非二元分类器)来量化各表型内的肌肉-脂肪失衡。男性"肌少症风险/瘦体型"表型即为缺乏单个传统阈值可检测的临床"隐匿性"表型的例证。所识别表型应被解读为未来监测的风险特征而非确定性临床诊断,尚需前瞻性研究将这些聚类与功能结局、代谢生物标志物和纵向轨迹相联系。

研究强调女性肌少症肥胖和男性代谢性肥胖等高风险表型,可能与脂毒性、组织稳态和合成代谢抵抗等多种生理过程相关。性别特异性表型表达可能在脂肪与肌肉恶化相互作用中发挥重要作用。这些表型中观察到的升高FMR可能反映骨骼肌内异位脂质负荷增加,与肌脂肪变性和肌肉质量下降过程一致。细胞水平上,此类改变与线粒体功能障碍相关,被认为是胰岛素抵抗和更广泛代谢损害发展的核心机制。因此,所识别表型不仅反映身体成分差异,还可能反映不同的代谢状态及潜在不同的功能下降轨迹。研究中观察到的广泛性别特异性身体成分差异反映由不同激素、染色体和代谢机制驱动的基本生物学二态性。雌激素主要指导脂肪向皮下和臀股部分布并增强脂质氧化,而睾酮维持对骨骼肌合成的合成代谢优势。这些不同的生理环境系统导致女性FMR较高、男性四肢瘦体重较大。因此,按性别分层的分析框架在方法学上至关重要;混合聚类将混淆生物学上不同的群体,掩盖性别特异性生理特征并产生临床解释性有限的表型。

关于男性"肌少症风险/瘦体型"表型,其降低的ASMI可能与长期蛋白质摄入不足和机械负荷不足相互作用相关,两者均可能限制成年期骨骼肌最佳发育和维持,随时间推移可能显著增加对衰弱和不良衰老相关结局的易感性。本研究分析的2710人样本通过数据聚类和轮廓指标验证,增强了个体分割的客观性,减少了对预设临床评估标准的依赖。此类模型提供了超越传统评估的分析生物学结构的机会。重要的是,研究未收集膳食摄入或习惯性体力活动水平数据,这些代表身体成分表型的关键可改变决定因素。这些变量的缺失排除了对识别表型特征的行为归因,构成了结果解读时应予考虑的方法学局限。

研究结果进一步揭示,评估肌肉与脂肪指标间的相互作用提供了比单独分析各组织更为广泛一致的框架。先前研究强调需同时考虑肌肉质量和脂肪质量以更好理解肌少症和肌少症肥胖。不同身体组织(肌肉和脂肪质量)间的失衡可提供由脂肪组织与骨骼肌负相互作用驱动的病理生理特征。所提出的机制包括肌细胞内脂毒性、慢性低度炎症和氧化应激增加,均可能导致肌肉功能损害和组织质量下降。当前结果支持这一视角,尤其因为女性"肌少症肥胖"型呈现最高FMR值,与脂肪与肌肉区间显著失衡一致,提示肌肉质量 substantial 恶化。这种基于比率的视角得到Torres-Costoso等人在儿科人群中聚类分析研究的支持,他们指出FMR较传统指标可提供关于肌少症风险的更准确信息,并报告脂肪量并非必然与肌少症风险增加相关,尤其在瘦体重相对保留且肌肉适应性良好的个体中,即"胖但健康"悖论现象。本研究将这一概念框架扩展至成年期,表明脂肪与肌肉储备的动态平衡评估较孤立体型指标提供更为全面的图景。

本研究提供了利用ML技术进行身体成分评估的方法学视角,旨在超越静态模型以评估不遵循线性模式的生物学过程。Urzi等人应用预测性ML模型(随机森林方法)于老年人群,实现了肌少症检测的高判别性能(AUC为0.95,准确度93.62%),并通过特征选择和SHAP可解释性技术进一步提升。这些发现强化了ML在肌少症相关风险识别中的潜在价值,尽管多模态数据需求可能限制某些场景的临床适用性。相比之下,K均值聚类无需先验结局标记即可探索表型异质性,在本研究中这一特性尤为有用,因其能够识别可能代表临床可检测肌少症或肌少症肥胖路径早期阶段的生物学分化亚组。因此,无监督和 supervised ML方法在未来身体成分研究和临床筛查中可能具有互补价值。

研究指出未来研究可探索纵向设计以评估不同人群样本中的表型变化,并建议将这些表型分类与血清生物标志物(轩辕 objective 体能测试相结合,以确定算法识别的聚类是否真正反映不同功能状态和差异化死亡风险。此外,当前方法学框架可支持简化临床工具的开发,如移动应用程序或在线计算器,能够使用有限数量易获取的人体测量变量将个体分类为表型聚类,以促进初级保健和运动科学环境中的精准筛查,特别是在成年生活早期阶段。

研究结论:研究人员通过无监督机器学习方法基于肌肉质量与脂肪相互作用的关联识别出不同的成人身体成分表型。研究结果表明,仅依靠BMI不足以检测具有临床意义的风险特征,尤其是那些以不利肌肉-脂肪失衡为特征、尽管体重明显正常的高风险表型。ASMI与FMR的整合能够检测与潜在增加的肌少症相关风险和代谢风险相关的性别特异性表型。男性"肌少症风险/瘦体型"表型揭示了尽管BMI处于非肥胖范围内但肌肉储备降低的状况;女性的"肌少症肥胖"表型则以脂肪与肌肉质量间的显著失衡为特征。总体而言,这些结果表明基于肌肉-脂肪关系的身体成分表型分型较传统人体测量评估为成人早期风险识别提供了更具信息量的框架,可能支持更有针对性的预防策略,旨在维持肌肉健康、减少过量脂肪和改善代谢结局。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号