从全身磁共振成像进行基于深度学习的身体组成分析,以预测大量西方人口的全因死亡率

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 人口健康研究 人口健康研究

背景情况:

• 单片成像测量身体成分与疾病的结果有关.
• 使用人工智能的自动体积分析正在出现,但其在一般人群中的预后价值尚不清楚.

研究的目的:

• 开发和验证一个深度学习框架,用于从全身MRI自动化体积体质量定量化.
• 评估这些体积测量的预后价值,以预测大量西方人口的死亡率.

主要方法:

• 开发了一个深度学习框架,用于从全身MRI中量化体积组成 (SAT,VAT,SM,SMFF,IMAT).
• 利用了来自英国生物银行 (UKBB) 和德国国家队列 (NAKO) 的数据.
• 使用考克斯回归评估预后值,比较体积和单片面积测量.

主要成果:

• 骨肌肉 (V_SM),SM脂肪分数 (V_SMFF) 和肌内脂肪组织 (V_IMAT) 的体积测量独立预测了UKBB参与者的死亡率.
• 对体积测量比对传统单片面积测量更强烈的关联.
• 在特定脊椎水平 (例如L3,L5) 的体积测量和单片测量之间观察到很高的相关性.

结论:

• 通过全身MRI进行自动体积构成评估是死亡率的强有力的预测指标,超过了传统的风险因素.
• 与单片方法相比,体积测量方法提供了更好的预后洞察力.
• 这种人工智能驱动的方法可以帮助识别高风险个体,以制定个性化预防策略.