Desarrollo de un Enfoque de Aprendizaje Profundo para la Predicción Automatizada de la Composición Corporal en Recién...

Área de la Ciencia:

• Ingeniería Biomédica
• Imagenología Médica
• Inteligencia Artificial

Sus antecedentes:

• La medición precisa de la composición corporal humana, incluida la masa grasa (FM) y la masa libre de grasa (FFM), es crucial para evaluar la desnutrición y la eficacia de las intervenciones nutricionales.
• Los métodos actuales de análisis de la composición corporal pueden ser invasivos o inaccesibles, especialmente para poblaciones vulnerables como los lactantes prematuros.

Objetivo del estudio:

• Desarrollar y validar un nuevo protocolo de escaneo por ultrasonido integrado con un pipeline de aprendizaje profundo para la predicción automatizada de la composición corporal.
• Identificar técnicas de procesamiento de datos óptimas, modelos de aprendizaje profundo adecuados y ubicaciones anatómicas clave para predecir la masa grasa (FM) y la masa libre de grasa (FFM).

Principales métodos:

• Análisis de un conjunto de datos clínicos que comprende imágenes de ultrasonido de lactantes prematuros (n=65) en el bíceps, abdomen y cuádriceps.
• Se utilizó pletismografía por desplazamiento de aire (ADP) para las mediciones de referencia de FM y FFM.
• Se emplearon técnicas de preprocesamiento (denoising, filtrado de mediana, aumento de datos) y una arquitectura modificada de EfficientNet-B1 para la predicción automatizada.

Principales resultados:

• Los métodos de preprocesamiento mejoraron significativamente el rendimiento de la predicción.
• Una arquitectura modificada de EfficientNet-B1 permitió la predicción totalmente automatizada de la composición corporal a partir de imágenes de ultrasonido.
• Se logró una precisión de predicción óptima utilizando ubicaciones de escaneo combinadas del bíceps y el cuádriceps (MAPE del 26,1%) o bíceps, cuádriceps y abdomen (MAPE del 25,32%).

Conclusiones:

• Esta investigación presenta la primera demostración de aprendizaje profundo para la predicción automatizada de la composición corporal utilizando imágenes de ultrasonido.
• El protocolo desarrollado proporciona una base para un método novedoso y no invasivo para evaluar la desnutrición en lactantes.
• El análisis de sensibilidad indicó que diferentes partes del cuerpo y grosores de tejido influyen en las predicciones de FM y FFM.