Une étude récente introduit une méthode innovante pour analyser la composition corporelle en utilisant des techniques avancées d'imagerie 3D et d'apprentissage en profondeur. Cette approche vise à fournir des évaluations plus précises de la graisse corporelle et de la distribution musculaire, qui sont cruciales pour comprendre les risques pour la santé associés à diverses conditions.
L'étude, «Learning Learning pour l'estimation non linéaire de la composition corporelle de toute la morphologie du corps entier», rédigé par des chercheurs du Pennington Biomedical Research Center, de l'Université de Washington, de l'Université d'Hawaï et de l'Université de Californie-San Francisco, a récemment été publié dans l'Université de Washington, l'Université d'Hawaï et l'Université de Californie NPJ Médecine numérique.
Cette étude introduit une approche innovante utilisant des méthodes profondes et non linéaires pour améliorer l'estimation des paramètres de composition corporelle, dépassant la précision des modèles linéaires précédents. Cette progression est possible d'améliorer les évaluations dans des milieux cliniques et des applications de recherche.
« Le Dr Steven Heymsfield possède une vaste expérience dans l'obésité humaine, la réglementation de l'équilibre énergétique et le développement de méthodes d'évaluation de la composition corporelle », a déclaré le Dr John Kirwan, directeur exécutif biomédical de Pennington. « Ses contributions à ce domaine ont été essentielles pour faire progresser la compréhension du métabolisme humain et l'application de nouvelles technologies telles que l'imagerie optique 3D dans la recherche médicale. »
Cette évolution représente un pas en avant dans l'imagerie médicale et l'évaluation de la santé, offrant un outil plus fiable pour que les cliniciens et les chercheurs évaluent la composition corporelle et les risques de santé associés.
« Pour créer facilement et rapidement une carte numérique détaillée de la forme du corps d'une personne, puis pour utiliser ces informations pour générer non seulement des estimations précises de sa composition corporelle et de ses risques pour la santé, mais également des images 3D correspondantes, était presque inimaginable il y a quelques années à peine, « Dit le Dr Heymsfield, professeur de métabolisme et de composition corporelle à Pennington Biomedical.
« Les progrès technologiques comme celui-ci nécessitent des compétences d'un large éventail de scientifiques et je suis heureux d'avoir l'occasion ici à Pennington Biomedical pour travailler avec des collègues de partout au pays et dans le monde. »
Les principaux points forts de l'étude comprennent:
- Imagerie avancée: les chercheurs ont utilisé la technologie d'imagerie 3D pour capturer des représentations détaillées de la forme du corps.
- Application d'apprentissage en profondeur: En appliquant des algorithmes sophistiqués d'apprentissage en profondeur, l'étude a obtenu des estimations plus précises de la composition corporelle par rapport aux méthodes traditionnelles.
- Implications sur la santé: Une analyse précise de la composition corporelle est essentielle pour évaluer les risques pour la santé liés à l'obésité, aux maladies cardiovasculaires et à d'autres troubles métaboliques.
Les auteurs de « Apprentissage en profondeur convolutionnel 3D pour l'estimation non linéaire de la composition corporelle de la morphologie du corps entière » comprenaient le Dr Steven Heymsfield, le Dr Isaac Tian de l'Université de Washington, le Dr Jason Liu et le Dr Brian Curless de l'Université de Washington; Le Dr Michael Wong de l'Université d'Hawaï, Nisa Kelly, Yong Liu et le Dr John Shepherd; et le Dr Andrea K. Garber de l'Université de Californie de Californie.