Beyond BMI: AI-Powered CT Body Composition

Obesity risk depends on muscle and fat, not weight alone

Doctors often rely on body mass index (BMI) to gauge health risks related to weight. BMI is quick, but it cannot tell fat from muscle or show where fat sits in the body. This can mislabel people as healthy or at risk. Some have low muscle with excess fat (sarcopenic obesity); others carry fat mainly around their organs (visceral fat). These patterns influence survival, recovery from surgery, and response to treatment, yet BMI misses them.

Proposal: use CT and AI to measure what matters

“This opinion paper challenges the clinical adequacy of BMI and presents AI-enhanced CT body composition analysis as a superior alternative for individualized risk assessment.” Instead of BMI alone, the authors measure muscle and fat directly on a routine CT scan at the lower back level (L3). They focus on skeletal muscle index (SMI), visceral adipose tissue (VAT), subcutaneous adipose tissue (SAT), and VAT density. Across oncology, cardiology, surgery/critical care, and clinical nutrition, these metrics outperform BMI for predicting outcomes.

Everyday workflow: opportunistic, fast, and scalable

Most hospitals already perform CTs for valid clinical reasons. The same scans can be analyzed “opportunistically,” so no extra imaging is needed. AI now segments muscle and fat within seconds, replacing manual work that used to take 15–20 minutes. In the authors’ service, a web interface delivered results in about 21 seconds from upload to display. This turns existing images into structured measurements without disrupting routine care.

Results: clearer risk profiles than BMI

Real cases in the paper show why composition matters. A person labeled “underweight” by BMI had very low muscle and higher-risk fat on CT, while someone labeled “overweight” had preserved muscle and lower-risk fat. Their actual risks were very different. In transcatheter aortic valve implantation (TAVI), CT-based metrics predicted all-cause mortality beyond BMI: SMI (HR 0.986), VAT density (HR 1.015), and SAT density (HR 1.014). The authors also report VAT density thresholds (men > −93.27 HU; women > −95.02 HU) that flagged higher risk in prior work.

Practical value: better stratification across disciplines

CT body composition supports more precise risk stratification in cancer care, cardiac interventions, surgical planning, critical care, and nutrition assessment. By quantifying muscle and fat quality, teams can identify frailty earlier, tailor interventions, and track change over time. This is especially important where BMI suggests “overweight” yet muscle is preserved, or where BMI looks “normal” but muscle is low.

Implementation: start focused and build standards

“The key to successful implementation lies not in technical sophistication but in seamless workflow integration that converts complex analytical capabilities into actionable insights.” The authors outline a stepwise path: begin with high-risk groups using existing CTs, establish local reference values, integrate a concise report into radiology workflows, create decision pathways, and train clinicians on interpretation. This mirrors a two-stage approach: screen first, then perform a comprehensive assessment when needed.

Limits: methods and cut-offs still vary

The field is advancing, but not standardized. Studies use different methods; scanner settings and reconstruction can influence measurements; universal cut-offs for all populations are not established. Many implementations come from specialized centers. The authors call for multicenter validation, consensus reporting, and population-specific reference values.

Outlook: from measurements to predictions

AI is moving from segmentation to prediction by combining CT-derived metrics with clinical data to generate personalized risk profiles. Cloud-based processing can broaden access where local compute is limited. “We assert that the future of body composition assessment lies in embracing these more sophisticated approaches that acknowledge the limitations of traditional anthropometrics.”

Key messages

• BMI alone often misclassifies individual risk.

• CT-derived SMI, VAT, SAT, and VAT density provide stronger prognostic signals.

• Opportunistic analysis uses existing scans; AI returns results in seconds.

• Early, workflow-friendly adoption can improve risk stratification while standards mature.

 

The translation of the preceding English text in Czech:

 

Riziko obezity závisí na svalech a tuku, nikoli pouze na hmotnosti

Lékaři často spoléhají na index tělesné hmotnosti (BMI) k posouzení zdravotních rizik souvisejících s hmotností. BMI je rychlý, ale nedokáže rozlišit tuk od svalů ani ukázat, kde se tuk v těle nachází. To může vést k nesprávnému označení lidí jako zdravých nebo ohrožených. Někteří mají málo svalové hmoty, ale přebytek tuku (sarkopenická obezita); jiní nesou tuk hlavně kolem orgánů (viscerální tuk). Tyto vzorce ovlivňují přežití, zotavení po operaci a odpověď na léčbu, přesto je BMI nezachytí.

Návrh: využití CT a AI k měření toho, na čem záleží

„Tento názorový článek zpochybňuje klinickou přiměřenost BMI a představuje analýzu tělesného složení z CT obohacenou o umělou inteligenci jako nadřazenou alternativu pro individualizované hodnocení rizika.“
Namísto samotného BMI autoři měří svalovou a tukovou tkáň přímo na rutinním CT snímku v oblasti dolní části zad (L3). Zaměřují se na skeletální svalový index (SMI), viscerální tukovou tkáň (VAT), podkožní tukovou tkáň (SAT) a hustotu VAT. V onkologii, kardiologii, chirurgii/intenzivní péči i klinické výživě tyto ukazatele překonávají BMI při předpovídání výsledků.

Každodenní pracovní postup: oportunistický, rychlý a škálovatelný

Většina nemocnic již provádí CT vyšetření z oprávněných klinických důvodů. Tyto snímky lze analyzovat „oportunisticky“, takže není třeba žádného dalšího zobrazování. Umělá inteligence nyní segmentuje svaly a tuk během několika sekund, čímž nahrazuje manuální práci, která dříve trvala 15–20 minut. V rámci služby autorů webové rozhraní doručovalo výsledky přibližně za 21 sekund od nahrání po zobrazení. To proměňuje stávající snímky ve strukturovaná měření, aniž by narušovalo běžnou péči.

Výsledky: jasnější rizikové profily než BMI

Reálné případy v článku ukazují, proč na složení těla záleží. Osoba označená podle BMI jako „podváha“ měla na CT velmi nízké množství svalů a rizikovější tuk, zatímco někdo označený jako „nadváha“ měl zachovalou svalovou hmotu a méně rizikový tuk. Jejich skutečná rizika byla tedy velmi odlišná.
Při transkatetrové implantaci aortální chlopně (TAVI) metriky založené na CT předpovídaly celkovou úmrtnost lépe než BMI:
SMI (HR 0,986), hustota VAT (HR 1,015) a hustota SAT (HR 1,014).
Autoři také uvádějí prahové hodnoty hustoty VAT (muži > −93,27 HU; ženy > −95,02 HU), které v dřívějších studiích signalizovaly vyšší riziko.

Praktická hodnota: lepší stratifikace napříč obory

Analýza tělesného složení z CT podporuje přesnější stratifikaci rizika v onkologické péči, kardiologických zákrocích, chirurgickém plánování, intenzivní péči i nutričním hodnocení. Kvantifikací kvality svalů a tuku mohou týmy dříve odhalit křehkost, přizpůsobit intervence a sledovat změny v čase. To je obzvlášť důležité tam, kde BMI naznačuje „nadváhu“, ale svaly jsou zachovalé, nebo naopak, kde BMI vypadá „normálně“, ale svalová hmota je nízká.

Implementace: začít cíleně a budovat standardy

„Klíčem k úspěšné implementaci není technická sofistikovanost, ale plynulá integrace do pracovního postupu, která převádí složité analytické schopnosti do prakticky využitelných poznatků.“
Autoři popisují postupný přístup: začít s vysoce rizikovými skupinami využitím stávajících CT, stanovit místní referenční hodnoty, integrovat stručnou zprávu do radiologických pracovních postupů, vytvořit rozhodovací schémata a vyškolit kliniky v interpretaci výsledků.
Tento model odpovídá dvoufázovému přístupu: nejprve provést screening, poté komplexní hodnocení, je-li to potřeba.

Omezení: metody a mezní hodnoty se stále liší

Obor se rychle rozvíjí, ale zatím není standardizován. Studie používají různé metody; nastavení skenerů a rekonstrukce mohou ovlivnit měření; univerzální prahové hodnoty pro všechny populace zatím neexistují. Mnoho implementací pochází ze specializovaných center. Autoři proto vyzývají k multicentrické validaci, konsensuálnímu reportování a populačně specifickým referenčním hodnotám.

Výhled: od měření k predikci

Umělá inteligence se posouvá od segmentace k predikci – kombinuje metriky odvozené z CT s klinickými daty, aby vytvořila personalizované rizikové profily. Zpracování v cloudu může rozšířit dostupnost tam, kde je místní výpočetní výkon omezený.
„Domníváme se, že budoucnost hodnocení tělesného složení spočívá v přijetí těchto sofistikovanějších přístupů, které uznávají omezení tradičních antropometrických metod.“

Klíčová sdělení

• Samotné BMI často nesprávně klasifikuje individuální riziko.

• CT odvozené ukazatele SMI, VAT, SAT a hustota VAT poskytují silnější prognostické signály.

• Oportunistická analýza využívá stávající snímky; AI vrací výsledky během několika sekund.

• Včasné a workflow-friendly zavedení může zlepšit stratifikaci rizik, zatímco se standardy dále vyvíjejí.

---

Reference:

Matej Pekar, Marek Kantor, Jakub Balusik, Jan Hecko, Piotr Branny

Beyond BMI: An opinion on the clinical value of AI-powered CT body composition analysis.

Biomol Biomed [Internet]. 2025 Jul. 7 [cited 2025 Nov. 5];25(12):2586–2593.

Available from: https://www.bjbms.org/ojs/index.php/bjbms/article/view/12774

---

Additional information:

We invite submissions for our upcoming thematic issues, including:

• Immune Prediction and Prognostic Biomarkers in Immuno-Oncology
• Artificial Intelligence and Machine Learning in disease diagnosis and treatment target identification

More news: Blog

Editor: Merima Hadžić