Video Experimental Relacionado
Updated: Sep 10, 2025
Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
BioCompNet: un flujo de trabajo de aprendizaje profundo que permite el análisis automatizado de la composición
Jianyong Wei1,2, Hongli Chen1, Lijun Yao1
1Department of Endocrinology and Metabolism, Shanghai Sixth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai Diabetes Institute, Shanghai Key Laboratory of Diabetes Mellitus, Shanghai Key Clinical Center for Metabolic Disease, Shanghai 200233, China.
BioCompNet, una herramienta de aprendizaje profundo, automatiza el análisis de la composición corporal de los escáneres de resonancia magnética. Esto mejora la evaluación del riesgo cardiometabólico al proporcionar una cuantificación rápida y precisa del hueso, el músculo y el tejido adiposo.
Área de la Ciencia:
- Imágenes biomédicas
- Inteligencia artificial en la medicina
- Investigación cardiovascular
Sus antecedentes:
- La composición corporal (BC) es crucial para la estratificación del riesgo cardiometabólico.
- El análisis actual de imágenes médicas para la BC requiere mucho tiempo y es limitado.
- La cuantificación automatizada de los componentes BC es necesaria para las aplicaciones clínicas.
Objetivo del estudio:
- Desarrollar BioCompNet, un flujo de trabajo de aprendizaje profundo para el análisis automatizado de la composición corporal.
- Para cuantificar 15 componentes biomecánicos críticos de la composición corporal de la resonancia magnética de doble parámetro.
- Establecer un marco escalable para la evaluación de riesgos cardiometabólicos de precisión.
Principales métodos:
- Desarrolló un flujo de trabajo de aprendizaje profundo de extremo a extremo (BioCompNet) utilizando una arquitectura U-Net jerárquica.
- Secuencias de resonancia magnética integradas de dos parámetros (agua/grasa) para su cuantificación.
- Entrenado y validado el modelo en grandes conjuntos de datos de cohortes de hospitales comunitarios y terciarios.
Principales resultados:
- BioCompNet logró una alta precisión (coeficientes de Dice > 0,93) en la cuantificación de los componentes BC abdominales y del muslo.
- Se ha demostrado una excelente fiabilidad entre lectores (ICC ≥ 0,881) para todas las características cuantificadas.
- Se redujo significativamente el tiempo de procesamiento de ~ 129 minutos a ~ 0,12 minutos por caso.
Conclusiones:
- BioCompNet permite un análisis volumétrico rápido, preciso y completo de la composición corporal.
- El flujo de trabajo ofrece una solución escalable para la evaluación de riesgos cardiometabólicos de precisión.
- BioCompNet apoya la toma de decisiones clínicas a través de la cuantificación automatizada de la composición corporal.
