计算机断层扫描和双能X射线吸收测量身体组成参数的协调,以使脂肪组织测量在基于人口的横截面研究中普遍化

科学领域:

• 医学成像和身体组成分析分析.
• 心脏代谢风险评估
• 生物标志物研究 生物标志物研究

背景情况:

• 准确的身体成分测量对于评估心脏代谢风险至关重要.
• 来自CT和DXA等不同成像模式的数据协调在纵向研究中是一个重大挑战.
• 现有的方法缺乏CT衍生的内脏脂肪组织 (VAT) 和DXA测量之间的无转换.

研究的目的:

• 开发和验证一种协调CT和DXA身体组成测量的方法.
• 为了使身体成分数据在纵向评估和交叉队列分析中能够轻松转换.
• 通过标准化人体成分数据,改善对心脏代谢风险和疾病的评估.

主要方法:

• 来自宁顿中心纵向研究 (N=1967) 数据的回顾性分析.
• 在腹部CT图像上使用多层细分来量化内脏脂肪组织 (VAT).
• 使用线性回归和随机森林模型从全身DXA测量中预测CT衍生的增值税.
• 分析预测和测量的增值税之间的关联,按种族和性别分层.

主要成果:

• 随机森林模型在从DXA-VAT.中预测CT-VAT时获得了高准确度 (R2=0.94).
• 测量的CT-VAT和DXA预测的CT-VAT之间的关联是良好的到极好的 (R2>0.7-0.8).
• 在测量和预测的增值税之间观察到最小的临床差异 (平均差异=0.22厘米2),高精度处于接受的标准误差范围内.

结论:

• 机器学习模型,特别是随机森林,可以有效地从DXA测量中预测CT衍生的增值税.
• 这种协调的方法促进了对心脏代谢风险评估的准确纵向和交叉队列体质成分分析.
• 开发的方法提供了一种可靠和标准化的方法,将DXA数据转换为CT等价的增值税计量.