هوش مصنوعی با «MRI» کل بدن، عوامل دخیل در مرگ را پیش‌بینی می‌کند

به گزارش ایسنا، معیارهای ترکیب بدن، از جمله تجمع بافت چربی و ماهیچه‌های اسکلتی، ارتباط قوی با نتایج بالینی نشان داده‌اند و به‌ عنوان نشانگرهای زیستی مهم برای بهبود ارزیابی عوامل خطر شخصی‌سازی شده ظاهر شدند. با این حال، استفاده از آنها در جریان مطالعات بالینی به دلیل وجود محدودیت‌های زمانی و منابع محدود کار دشواری است.

به نقل از نیوز مدیکال، رویکردهای کاملا خودکار مبتنی بر هوش مصنوعی می‌توانند بر محدودیت‌های فعلی غلبه کنند و ساخت ارزیابی‌های دقیق‌تر و مقیاس‌پذیرتر را ممکن ‌سازند. این یافته‌ها بر اهمیت توسعه ابزارهای استاندارد برای اطمینان از کاربرد بالینی در بین جمعیت‌های مختلف تاکید می‌کند.

در این مطالعه از داده‌های دو مطالعه مبتنی بر جمعیت گسترده استفاده شد. بانک زیستی بریتانیا(UKBB) که متشکل از شرکت‌کنندگان ۴۵ تا ۸۴ ساله بود، و گروه ملی آلمان(NAKO)، با شرکت‌کنندگان ۴۰ تا ۷۵ ساله. هر دو مطالعه داده‌های بالینی جامعی را جمع‌آوری کردند و از یک پروتکل MRI دقیق استفاده کردند.

هدف اولیه ایجاد یک چارچوب یادگیری عمیق برای تعیین کمیت اندازه‌های ترکیب حجمی بدن، مانند بافت چربی زیر جلدی(SAT)، بافت چربی احشایی(VAT)، عضله اسکلتی(SM)، کسر چربی ماهیچه اسکلتی(SMFF) و بافت چربی داخل عضلانی(IMAT)، با استفاده از MRI ‌کل بدن به صورت خودکار بود.

نتیجه‌گیری

این مطالعه یک چارچوب یادگیری عمیق خودکار برای تجزیه و تحلیل ترکیب بدن مبتنی بر MRI کل بدن ایجاد کرد و ارزش آن را برای پیش‌بینی مرگ و میر در بیش از ۳۰ هزار نفر را ارزیابی کرد. اندازه‌گیری‌های حجمی، پیش‌بینی‌کننده‌های مستقل مرگ‌ومیر بودند، که از رویکردهای سنتی تک موردی عملکرد بهتری داشتند. به رغم این نقاط قوت، در این مطالعه محدودیت‌هایی نیز وجود داشت مانند گروه داوطلبان که عمدتا نشانگر جوامع غربی بودند و همچنین مدت زمان محدود پیگیری، که می‌تواند بر قابل تعمیم بودن مطالعه تاثیر بگذارد.

انتهای پیام

به گزارش ایسنا، معیارهای ترکیب بدن، از جمله تجمع بافت چربی و ماهیچه‌های اسکلتی، ارتباط قوی با نتایج بالینی نشان داده‌اند و به‌ عنوان نشانگرهای زیستی مهم برای بهبود ارزیابی عوامل خطر شخصی‌سازی شده ظاهر شدند. با این حال، استفاده از آنها در جریان مطالعات بالینی به دلیل وجود محدودیت‌های زمانی و منابع محدود کار دشواری است.

به نقل از نیوز مدیکال، رویکردهای کاملا خودکار مبتنی بر هوش مصنوعی می‌توانند بر محدودیت‌های فعلی غلبه کنند و ساخت ارزیابی‌های دقیق‌تر و مقیاس‌پذیرتر را ممکن ‌سازند. این یافته‌ها بر اهمیت توسعه ابزارهای استاندارد برای اطمینان از کاربرد بالینی در بین جمعیت‌های مختلف تاکید می‌کند.

در این مطالعه از داده‌های دو مطالعه مبتنی بر جمعیت گسترده استفاده شد. بانک زیستی بریتانیا(UKBB) که متشکل از شرکت‌کنندگان ۴۵ تا ۸۴ ساله بود، و گروه ملی آلمان(NAKO)، با شرکت‌کنندگان ۴۰ تا ۷۵ ساله. هر دو مطالعه داده‌های بالینی جامعی را جمع‌آوری کردند و از یک پروتکل MRI دقیق استفاده کردند.

هدف اولیه ایجاد یک چارچوب یادگیری عمیق برای تعیین کمیت اندازه‌های ترکیب حجمی بدن، مانند بافت چربی زیر جلدی(SAT)، بافت چربی احشایی(VAT)، عضله اسکلتی(SM)، کسر چربی ماهیچه اسکلتی(SMFF) و بافت چربی داخل عضلانی(IMAT)، با استفاده از MRI ‌کل بدن به صورت خودکار بود.

نتیجه‌گیری

این مطالعه یک چارچوب یادگیری عمیق خودکار برای تجزیه و تحلیل ترکیب بدن مبتنی بر MRI کل بدن ایجاد کرد و ارزش آن را برای پیش‌بینی مرگ و میر در بیش از ۳۰ هزار نفر را ارزیابی کرد. اندازه‌گیری‌های حجمی، پیش‌بینی‌کننده‌های مستقل مرگ‌ومیر بودند، که از رویکردهای سنتی تک موردی عملکرد بهتری داشتند. به رغم این نقاط قوت، در این مطالعه محدودیت‌هایی نیز وجود داشت مانند گروه داوطلبان که عمدتا نشانگر جوامع غربی بودند و همچنین مدت زمان محدود پیگیری، که می‌تواند بر قابل تعمیم بودن مطالعه تاثیر بگذارد.

انتهای پیام

به گزارش ایسنا، معیارهای ترکیب بدن، از جمله تجمع بافت چربی و ماهیچه‌های اسکلتی، ارتباط قوی با نتایج بالینی نشان داده‌اند و به‌ عنوان نشانگرهای زیستی مهم برای بهبود ارزیابی عوامل خطر شخصی‌سازی شده ظاهر شدند. با این حال، استفاده از آنها در جریان مطالعات بالینی به دلیل وجود محدودیت‌های زمانی و منابع محدود کار دشواری است.

به نقل از نیوز مدیکال، رویکردهای کاملا خودکار مبتنی بر هوش مصنوعی می‌توانند بر محدودیت‌های فعلی غلبه کنند و ساخت ارزیابی‌های دقیق‌تر و مقیاس‌پذیرتر را ممکن ‌سازند. این یافته‌ها بر اهمیت توسعه ابزارهای استاندارد برای اطمینان از کاربرد بالینی در بین جمعیت‌های مختلف تاکید می‌کند.

در این مطالعه از داده‌های دو مطالعه مبتنی بر جمعیت گسترده استفاده شد. بانک زیستی بریتانیا(UKBB) که متشکل از شرکت‌کنندگان ۴۵ تا ۸۴ ساله بود، و گروه ملی آلمان(NAKO)، با شرکت‌کنندگان ۴۰ تا ۷۵ ساله. هر دو مطالعه داده‌های بالینی جامعی را جمع‌آوری کردند و از یک پروتکل MRI دقیق استفاده کردند.

هدف اولیه ایجاد یک چارچوب یادگیری عمیق برای تعیین کمیت اندازه‌های ترکیب حجمی بدن، مانند بافت چربی زیر جلدی(SAT)، بافت چربی احشایی(VAT)، عضله اسکلتی(SM)، کسر چربی ماهیچه اسکلتی(SMFF) و بافت چربی داخل عضلانی(IMAT)، با استفاده از MRI ‌کل بدن به صورت خودکار بود.

نتیجه‌گیری

این مطالعه یک چارچوب یادگیری عمیق خودکار برای تجزیه و تحلیل ترکیب بدن مبتنی بر MRI کل بدن ایجاد کرد و ارزش آن را برای پیش‌بینی مرگ و میر در بیش از ۳۰ هزار نفر را ارزیابی کرد. اندازه‌گیری‌های حجمی، پیش‌بینی‌کننده‌های مستقل مرگ‌ومیر بودند، که از رویکردهای سنتی تک موردی عملکرد بهتری داشتند. به رغم این نقاط قوت، در این مطالعه محدودیت‌هایی نیز وجود داشت مانند گروه داوطلبان که عمدتا نشانگر جوامع غربی بودند و همچنین مدت زمان محدود پیگیری، که می‌تواند بر قابل تعمیم بودن مطالعه تاثیر بگذارد.

انتهای پیام

به گزارش ایسنا، معیارهای ترکیب بدن، از جمله تجمع بافت چربی و ماهیچه‌های اسکلتی، ارتباط قوی با نتایج بالینی نشان داده‌اند و به‌ عنوان نشانگرهای زیستی مهم برای بهبود ارزیابی عوامل خطر شخصی‌سازی شده ظاهر شدند. با این حال، استفاده از آنها در جریان مطالعات بالینی به دلیل وجود محدودیت‌های زمانی و منابع محدود کار دشواری است.

به نقل از نیوز مدیکال، رویکردهای کاملا خودکار مبتنی بر هوش مصنوعی می‌توانند بر محدودیت‌های فعلی غلبه کنند و ساخت ارزیابی‌های دقیق‌تر و مقیاس‌پذیرتر را ممکن ‌سازند. این یافته‌ها بر اهمیت توسعه ابزارهای استاندارد برای اطمینان از کاربرد بالینی در بین جمعیت‌های مختلف تاکید می‌کند.

در این مطالعه از داده‌های دو مطالعه مبتنی بر جمعیت گسترده استفاده شد. بانک زیستی بریتانیا(UKBB) که متشکل از شرکت‌کنندگان ۴۵ تا ۸۴ ساله بود، و گروه ملی آلمان(NAKO)، با شرکت‌کنندگان ۴۰ تا ۷۵ ساله. هر دو مطالعه داده‌های بالینی جامعی را جمع‌آوری کردند و از یک پروتکل MRI دقیق استفاده کردند.

هدف اولیه ایجاد یک چارچوب یادگیری عمیق برای تعیین کمیت اندازه‌های ترکیب حجمی بدن، مانند بافت چربی زیر جلدی(SAT)، بافت چربی احشایی(VAT)، عضله اسکلتی(SM)، کسر چربی ماهیچه اسکلتی(SMFF) و بافت چربی داخل عضلانی(IMAT)، با استفاده از MRI ‌کل بدن به صورت خودکار بود.

نتیجه‌گیری

این مطالعه یک چارچوب یادگیری عمیق خودکار برای تجزیه و تحلیل ترکیب بدن مبتنی بر MRI کل بدن ایجاد کرد و ارزش آن را برای پیش‌بینی مرگ و میر در بیش از ۳۰ هزار نفر را ارزیابی کرد. اندازه‌گیری‌های حجمی، پیش‌بینی‌کننده‌های مستقل مرگ‌ومیر بودند، که از رویکردهای سنتی تک موردی عملکرد بهتری داشتند. به رغم این نقاط قوت، در این مطالعه محدودیت‌هایی نیز وجود داشت مانند گروه داوطلبان که عمدتا نشانگر جوامع غربی بودند و همچنین مدت زمان محدود پیگیری، که می‌تواند بر قابل تعمیم بودن مطالعه تاثیر بگذارد.

انتهای پیام