2025年8月20日，上海交通大学医学院附属第六人民医院贾伟平、魏小二、胡承团队在期刊Cyborg and Bionic Systems（IF=18.1/Q1）发表了题为“BioCompNet: A Deep Learning Workflow Enabling Automated Body Composition Analysis toward Precision Management of Cardiometabolic Disorders”的研究论文。

该研究开发了一种基于磁共振成像（MRI）图像对脂肪、肌肉、骨骼等多种身体成分进行全自动分割与量化特征测量的深度学习框架——BioCompNet。

研究结果显示，BioCompNet可对腹部和股部共计15种身体成分进行精细分割与特征量化，其结果与临床医师的分析结果高度一致，且分析时间大幅缩短。该框架可支持对大规模人群MRI图像数据库的全自动标准化处理，为进一步探索不同身体成分在2型糖尿病等心血管代谢疾病发生发展中的潜在作用提供了有力工具。

研究内容

心血管代谢疾病（CMD），包括心血管疾病和2型糖尿病，是全球最重要的公共健康挑战之一。研究表明，脂肪、肌肉和骨骼等身体成分的变化在CMD的发生发展中起着始动和推动作用，被认为是解析疾病病生理机制以及开发新型治疗靶点的有力抓手。在众多身体成分分析方法（如生物电阻抗、DXA等）中，MRI被视为金标准，可在解剖水平实现不同身体成分的精准区分。然而，传统基于MRI图像的身体成分分析大多依赖于人工勾画，存在操作繁琐耗时、主观性强和可重复性差等弊端，难以在大规模人群研究中应用推广，限制了研究者对于不同身体成分作用的深入探索。因此，亟需开发一种高效、客观且可推广的身体成分量化技术。

针对这一瓶颈，研究团队基于503名上海泥城队列受试者（开发数据集）和30例独立样本（外部测试集）的腹部和股部MRI图像，以经过统一培训的医师的人工勾画和测量结果为金标准，开展模型训练与测试，开发出基于卷积神经网络（2D U-Net）的端到端工作流——BioCompNet。BioCompNet包含身体成分自动分割与特征量化后处理两大模块，能够实现：

（1）对腹部（椎骨、腰大肌、核心肌群、总皮下脂肪、浅层皮下脂肪、深层皮下脂肪、总内脏脂肪、腹膜内脂肪、腹膜后脂肪）及股部（股骨、肌肉、皮下脂肪、血管）多种身体成分的精准识别分割；（2）在此基础上，集成后处理算法与聚类模型，可对上述各成分的量化特征（如体积等）及各部位肌间脂肪含量进行自动计算（图1）。

图1. BioCompNet工作流框架

研究结果表明，BioCompNet在内部测试集中腹部和腿部身体成分分割的平均DSC值分别为0.944和0.961（图2a），在外部测试集中DSC值分别为0.938和0.936，显示出优异的分割精度与泛化能力。同时，基于分割结果对身体成分进行的量化评估与人工测量结果也具有高度一致性，ICC最高可达0.999（图2b）。单例处理时间从人工分析所需的128.8 ± 5.6分钟缩短至0.12 ± 0.001分钟。

图2. BioCompNet的分割、量化准确性评估（内部测试集）

BioCompNet可实现从原始MRI图像到各成分量化结果的全自动处理，显著提升分析效率的同时，降低了人工操作的主观性与复杂性。其在外部数据中表现出的优秀泛化能力，以及可与医生评估相媲美的量化准确性，满足了临床实用工具的核心要求。此外，该工作流采用模块化设计，可集成至医院PACS系统，在不增加工作负担的前提下为临床决策提供快速、可重复的身体成分量化参数输出。该研究有望为相关领域提供新思路，推动基于常规医学影像检查的身体成分分析作为机会性筛查指标，用于CMD高风险人群的早期筛查与精准管理。

作者团队

上海交通大学医学院附属第六人民医院贾伟平院士、胡承教授和放射介入科魏小二主任为该论文的共同通讯作者，临床研究中心助理研究员韦建雍和博士后陈虹丽为该论文的共同第一作者。

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)