一项名为“3D卷积深度学习用于从全身形态非线性估算身体成分”的研究最近发表在Nature Portfolio旗下的NPJ数字医学杂志上。该研究由Pennington生物医学研究中心、华盛顿大学、夏威夷大学和加州大学旧金山分校的研究人员共同撰写。
这项研究介绍了一种创新的方法，利用深度非线性方法来提高身体成分参数的估算精度，超越了以往线性模型的准确性。这一进展有望改善临床环境和研究应用中的评估。参与研究的作者包括Pennington生物医学研究中心的Steven Heymsfield博士、华盛顿大学的Isaac Tian博士、Jason Liu博士和Brian Curless博士；夏威夷大学的Michael Wong博士、Nisa Kelly、Yong Liu和John Shepherd博士；以及加州大学旧金山分校的Andrea K. Garber博士。
Pennington生物医学执行主任John Kirwan博士表示：“Steven Heymsfield博士在人类肥胖、能量平衡调节以及评估身体成分的方法开发方面拥有丰富经验。他在这一领域的贡献对于推进人类代谢的理解以及新技术（如3D光学成像）在医学研究中的应用至关重要。”
这一发展标志着医学成像和健康评估的进步，为临床医生和研究人员提供了一个更可靠的工具来评估身体成分及其相关健康风险。Pennington生物医学研究中心的代谢与身体成分教授Heymsfield博士说：“几年前几乎无法想象的是，我们现在可以轻松快速地创建一个人体形状的详细数字地图，并利用这些信息生成其身体成分和健康风险的精确估计，甚至还能生成相应的3D图像。这类技术进步需要来自广泛科学家的技能，我很高兴有机会在Pennington生物医学研究中心与全国各地乃至世界各地的同事合作。”
研究的关键亮点包括：
- 高级成像技术：研究人员使用3D成像技术捕捉身体形状的详细表示。
- 深度学习应用：通过应用复杂的深度学习算法，该研究实现了比传统方法更精确的身体成分估算。
- 健康影响：准确的身体成分分析对于评估与肥胖、心血管疾病和其他代谢紊乱相关的健康风险至关重要。
(全文结束)
