Body Composition Analysis of Computed Tomography Scans in Clinical Populations: The Role of Deep Learning
Notice bibliographique
Résumé
BACKGROUND: Body composition is increasingly being recognized as an important prognostic factor for health outcomes across cancer, liver cirrhosis, and critically ill patients. Computed tomography (CT) scans, when taken as part of routine care, provide an excellent opportunity to precisely measure the quantity and quality of skeletal muscle and adipose tissue. However, manual analysis of CT scans is costly and time-intensive, limiting the widespread adoption of CT-based measurements of body composition. SUMMARY: Advances in deep learning have demonstrated excellent success in biomedical image analysis. Several recent publications have demonstrated excellent accuracy in comparison to human raters for the measurement of skeletal muscle, visceral adipose, and subcutaneous adipose tissue from the lumbar vertebrae region, indicating that analysis of body composition may be successfully automated using deep neural networks. Key Messages: The high accuracy and drastically improved speed of CT body composition analysis (<1 s/scan for neural networks vs. 15 min/scan for human analysis) suggest that neural networks may aid researchers and clinicians in better understanding the role of body composition in clinical populations by enabling cost-effective, large-scale research studies. As the role of body composition in clinical settings and the field of automated analysis advance, it will be critical to examine how clinicians interact with these systems and to evaluate whether these technologies are beneficial in improving treatment and health outcomes for patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».