提高新生儿健康评估:使用深度学习技术进行基于超声波的身体组成预测

科学领域:

• 新生儿护理 新生儿护理
• 医学成像医学成像
• 生物医学工程 生物医学工程

背景情况:

• 准确评估身体成分,包括脂肪质量 (FM) 和无脂肪质量 (FFM),对于新生儿健康至关重要.
• 传统的身体成分分析方法在新生儿重症监护病房可能是侵入性的或无法使用的.
• 超声波成像为身体组成评估提供了一个潜在的非侵入性替代方案.

研究的目的:

• 研究使用超声波图像的深度学习模型来预测婴儿身体组成 (FM和FFM) 的可行性.
• 开发和验证一种深度学习模型,用于准确预测早产婴儿的身体组成.
• 评估不同解剖区域在超声波图像中的贡献,以预测身体组成.

主要方法:

• 在65名早产婴儿的721张超声波图像上训练了一种经过修改的U-Net架构的深度学习模型.
• 空气位移囊学作为训练模型预测FM和FFM的地面真相.
• 用MAE,MSE,RMSE和MAPE评估模型性能,并使用Grad-CAM进行图像区域分析.

主要成果:

• 双肩,四头骨和腹部超声波图像的联合使用显示出与FM和FFM预测的地面真实值有很强的一致性.
• 具体的性能指标包括低MAE (FM:0.0145公斤,FFM:0.0794公斤) 和MAPE (FM:2.65%,FFM:8.40%).
• 仅使用腹部图像提高了FFM预测准确度 (MAPE:4.62%),Grad-CAM突出显示肌肉区域对预测至关重要.

结论:

• 应用到超声波成像的深度学习是预测婴儿身体组成的可行和有前途的方法.
• 这种方法可以作为一种有价值的,非侵入性的工具,用于评估新生儿护理中的营养状况.
• 进一步的研究可以优化该模型,以便在新生儿健康评估中得到更广泛的临床应用.