Недавнее исследование, проведенное Центром биомедицинских исследований Пеннингтона, Университетом Вашингтона, Гавайским университетом и Калифорнийским университетом в Сан-Франциско, открыло новую эру в медицинской визуализации и оценке здоровья. В статье, опубликованной в NPJ Digital Medicine, ученые представили инновационный подход к анализу состава тела, который обещает значительно повысить точность оценки распределения жира и мышц.
3D-сверточное глубокое обучение для оценки состава тела
Исследование, озаглавленное «3D-сверточное глубокое обучение для нелинейной оценки состава тела из морфологии всего тела», основывается на использовании 3D-визуализации и методов глубокого обучения. Этот подход позволяет проводить более точные и нелинейные оценки состава тела, в отличие от традиционных линейных моделей.
Доктор Стивен Хеймсфилд: пионер в области ожирения и метаболизма
Доктор Стивен Хеймсфилд, научный сотрудник и профессор метаболизма и состава тела в Пеннингтоне биомедиал, является одним из ведущих авторов исследования. Его вклад в понимание метаболизма человека и внедрение новых технологий, таких как 3D-оптическая визуализация, стал ключевым в разработке этого инновационного метода.
Потенциал для улучшения клинической практики
По словам доктора Джона Кирвана, исполнительного директора Biomedical Pennington Biomedical, разработка представляет собой значительный шаг вперед в медицинской визуализации. «Доктор Хеймсфилд имеет большой опыт в ожирении, энергетическом балансе и методах оценки состава тела, — сказал Кирван. — Его вклад в понимание метаболизма человека и применение новых технологий был ключевым».
Цифровые карты тела: новая реальность
Доктор Хеймсфилд отметил, что всего несколько лет назад создание цифровой карты формы тела человека и использование ее для точных оценок состава тела и рисков для здоровья казалось почти невозможным. Теперь же эта технология стала реальностью, предлагая более надежный инструмент для клиницистов и исследователей.
Ключевые моменты исследования
- Усовершенствованная визуализация: использование 3D-визуализации для создания подробных представлений о форме организма.
- Применение глубокого обучения: использование сложных алгоритмов для более точных оценок состава тела по сравнению с традиционными методами.
- Последствия для здоровья: точный анализ состава тела для оценки рисков для здоровья, связанных с ожирением и метаболическими нарушениями.
Заключение
Исследование, проведенное ведущими учеными из Центра биомедицинских исследований Пеннингтона и других ведущих университетов, открывает новые горизонты в медицинской визуализации и оценке здоровья. Этот метод обещает стать важным инструментом для клиницистов, помогая им более точно оценивать состояние пациентов и разрабатывать персонализированные планы лечения.
Литература:
Isaac Y. Tian et al, 3D convolutional deep learning for nonlinear estimation of body composition from whole body morphology, npj Digital Medicine (2025). DOI: 10.1038/s41746-025-01469-6
Ведущий специалист отдела организации клинических исследований, терапевт, врач ультразвуковой диагностики АО «СЗМЦ» (г. Санкт-Петербург), главный редактор, учредитель сетевого издания Medical Insider, а также автор статей
E-mail для связи – [email protected];
