最近的一项研究介绍了一种创新的方法，利用先进的3D成像和深度学习技术来分析人体成分。这种方法旨在提供更准确的身体脂肪和肌肉分布评估，这对于了解与各种条件相关的健康风险至关重要。
这项名为“基于全身形态的3D卷积深度学习进行非线性人体成分估算”的研究由彭宁顿生物医学研究中心、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完成，并发表在《npj数字医学》杂志上，该杂志属于《自然》出版集团旗下。
该研究引入了一种创新的方法，利用深度非线性方法增强人体成分参数的估算，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。
参与这项研究的作者包括彭宁顿生物医学研究中心的史蒂文·海姆斯菲尔德博士（Dr. Steven Heymsfield）、华盛顿大学的伊萨克·田博士（Dr. Isaac Tian）、刘杰森博士（Dr. Jason Liu）和布莱恩·柯瑞斯博士（Dr. Brian Curless），夏威夷大学的王迈克尔博士（Dr. Michael Wong）、尼萨·凯利（Nisa Kelly）、刘勇（Yong Liu）和谢泼德博士（Dr. John Shepherd），以及加州大学旧金山分校的安德烈亚·加伯博士（Dr. Andrea K. Garber）。
彭宁顿生物医学研究中心执行主任约翰·柯克兰博士（Dr. John Kirwan）表示：“史蒂文·海姆斯菲尔德博士在人类肥胖、能量平衡调节及评估身体成分的方法开发方面拥有丰富经验。他对这一领域的贡献对于推动人类新陈代谢的理解和新技术的应用，如3D光学成像在医学研究中的应用，起到了关键作用。”
海姆斯菲尔德博士说：“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不仅准确估计其身体成分和健康风险，还可以生成相应的3D图像。”他还提到：“像这样的技术进步需要来自广泛科学家的技能，我很高兴有机会在彭宁顿生物医学研究中心与全国各地乃至世界各地的同事合作。”
该研究的关键亮点包括：
- 高级成像技术：研究人员利用3D成像技术捕捉人体形状的详细表示。
- 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人体成分估算。
- 健康影响：准确的人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。
这些发现来自于Shape Up！研究，该研究由美国国立儿童健康与人类发展研究所（NICHD）资助（项目编号：R01HD082166），以及国家卫生研究院营养研究中心资助（项目编号：P30DK072476，彭宁顿/路易斯安那州；P30DK040561，哈佛大学）。
(全文结束)
