3D-визуализация и искусственный интеллект улучшают анализ распределения жира и мышц в организме
Недавнее исследование представляет инновационный метод анализа состава тела с использованием передовых 3D-визуализаций и методов глубокого обучения. Этот подход направлен на обеспечение более точной оценки распределения жира и мышц в организме, которые имеют решающее значение для понимания рисков для здоровья, связанных с различными состояниями.
Исследование «Трехмерное сверточное глубокое обучение для нелинейной оценки состава тела по морфологии всего тела», авторами которого являются исследователи из Биомедицинского исследовательского центра Пеннингтона, Вашингтонского университета, Гавайского университета и Калифорнийского университета в Сан-Франциско, недавно было опубликовано в журнале npj Digital Medicine .
Это исследование представляет инновационный подход, использующий глубокие нелинейные методы для улучшения оценки параметров состава тела, превосходя точность предыдущих линейных моделей. Это достижение имеет потенциал для улучшения оценок в клинических условиях и исследовательских приложениях.
«Доктор Стивен Хеймсфилд имеет большой опыт в области ожирения человека , регуляции энергетического баланса и разработки методов оценки состава тела», — сказал доктор Джон Кирван, исполнительный директор Pennington Biomedical. «Его вклад в эту область имел решающее значение для углубления понимания человеческого метаболизма и применения новых технологий, таких как 3D-оптическая визуализация в медицинских исследованиях ».
Эта разработка представляет собой шаг вперед в области медицинской визуализации и оценки состояния здоровья, предлагая врачам и исследователям более надежный инструмент для оценки состава тела и связанных с ним рисков для здоровья.
«Еще несколько лет назад было почти невозможно легко и быстро создать подробную цифровую карту формы тела человека, а затем использовать эту информацию для получения не только точных оценок состава его тела и рисков для здоровья, но и соответствующих трехмерных изображений», — сказал доктор Хеймсфилд, профессор метаболизма и состава тела в Pennington Biomedical.
«Подобные технологические достижения требуют навыков широкого круга ученых, и я рад возможности здесь, в Pennington Biomedical, работать с коллегами со всей страны и мира».
Основные моменты исследования включают в себя:
Расширенные возможности визуализации: исследователи использовали технологию 3D-визуализации для получения подробных изображений формы тела.
Применение глубокого обучения: благодаря применению сложных алгоритмов глубокого обучения в ходе исследования удалось получить более точные оценки состава тела по сравнению с традиционными методами.
Последствия для здоровья: Точный анализ состава тела необходим для оценки рисков для здоровья, связанных с ожирением, сердечно-сосудистыми заболеваниями и другими нарушениями обмена веществ.
Авторами «3D сверточного глубокого обучения для нелинейной оценки состава тела по морфологии всего тела» стали доктор Стивен Хеймсфилд из Биомедицинского исследовательского центра Пеннингтона, доктор Айзек Тянь, доктор Джейсон Лю и доктор Брайан Кёрлесс из Вашингтонского университета; доктор Майкл Вонг, Ниса Келли, Юн Лю и доктор Джон Шепард из Гавайского университета; и доктор Андреа К. Гарбер из Калифорнийского университета в Сан-Франциско.