コンピューター断層撮影の体組成とサルコペニアの評価のための人工知能：系統的レビューとメタ分析

目的：CTで手動で筋肉群を追跡して、体組成パラメーターを計算し、筋肉骨の診断は費用がかかり、時間がかかります。人工知能（AI）は、このプロセスを自動化する機会を提供します。この系統的レビューでは、体組成分析に使用されるCTベースのAIセグメンテーションモデルのパフォーマンスを評価することを目指しました。 方法：PubMed（Medline）、Embase、Web of Science、およびScopusを体系的に検索しました。2011年1月1日から2021年5月27日までに発表された研究のために。除外されたのは、筋力、身体性パフォーマンスデータ、DXAおよびMRIを使用した研究でした。AIモデルの報告されたサイコロ類似性係数（DSC）およびJaccard類似性係数（JSC）でメタ分析を実施しました。 結果：284の研究が特定され、そのうち24が系統的レビューに含まれる可能性があります。その中で、15はメタ分析に含まれており、そのすべてが深い学習を使用していました。0.941（95％CI 0.923-0.959）のプールDSCで実行された骨格筋（SM）セグメンテーションの深い学習モデルと0.967のプールされたJSC（95％CI 0.949-0.986）。さらに、0.967（95％CI 0.958-0.978）、0.963（95％CI 0.957-0.969）、0.970（95％CI 0.944-0.996）のプールされたDSCが皮下脂肪症（Sat皮質脂肪症のセグメンテーションのために観察されました。（VAT）、および骨。SMの研究は重要な出版バイアスに苦しんでおり、含まれている研究の間の不均一性はかなりでした。 結論：CTベースのディープラーニングモデルは、体組成の自動セグメンテーションを促進し、サルコペニア診断に役立ちます。これらを臨床診療に組み込む前に、AIセグメンテーションモデルの有効性を評価するには、より厳格なガイドラインと比較研究が必要です。

PURPOSE: Tracing muscle groups manually on CT to calculate body composition parameters and diagnose sarcopenia is costly and time consuming. Artificial Intelligence (AI) provides an opportunity to automate this process. In this systematic review, we aimed to assess the performance of CT-based AI segmentation models used for body composition analysis. METHOD: We systematically searched PubMed (MEDLINE), Embase, Web of Science and Scopus for studies published from January 1, 2011, to May 27, 2021. Studies using AI models for assessment of body composition and sarcopenia on CT scans were included. Excluded were studies that used muscle strength, physical performance data, DXA and MRI. Meta-analysis was conducted on the reported dice similarity coefficient (DSC) and Jaccard similarity coefficient (JSC) of AI models. RESULTS: 284 studies were identified, of which 24 could be included in the systematic review. Among them, 15 were included in the meta-analysis, all of which used deep learning. Deep learning models for skeletal muscle (SM) segmentation performed with a pooled DSC of 0.941 (95 %CI 0.923-0.959) and a pooled JSC of 0.967 (95 %CI 0.949-0.986). Additionally, a pooled DSC of 0.967 (95 %CI 0.958-0.978), 0.963 (95 %CI 0.957-0.969) and 0.970 (95 %CI 0.944-0.996) was observed for segmentation of subcutaneous adipose tissue (SAT), visceral adipose tissue (VAT), and bone, respectively. SM studies suffered from significant publication bias, and heterogeneity among the included studies was considerable. CONCLUSIONS: CT-based deep learning models can facilitate the automated segmentation of body composition and aid in sarcopenia diagnosis. More rigorous guidelines and comparative studies are required to assess the efficacy of AI segmentation models before incorporating these into clinical practice.