Deep Learning Derived Visceral Abdominal Fat Predicts Brain Atrophy at Midlife in 10,001 Individuals
Notice bibliographique
Résumé
Abstract Background Visceral abdominal fat can predict health outcomes with increasing interest in applications on brain health. Method A total of 10,001 healthy participants from four sites were scanned on 1.5T MR machines with a short whole‐body MR imaging protocol. Core whole body sequences included coronal T1, STIR from vertex to feet, whole‐body axial DWI from vertex to proximal‐thighs and axial T2 TSE without fat suppression from skull base to pelvis. Brain sequences were T1 MPRAGE and 2D FLAIR. Deep learning with FastSurfer trained on 134 participants aged 27‐66 and segmented 96 brain regions. A separate deep learning model was trained to segment abdominal visceral fat from the whole‐body coronal T1. Partial correlation analysis of visceral abdominal fat volume and brain volumes were evaluated, controlling for age, sex, and total intracranial volume. Benjamini‐Hochberg False Discovery Rate of 5% controlled for multiple comparisons. Logistic regression models determined risk of brain total gray and white matter atrophy based upon the highest quartile of visceral fat and lowest quartile of these brain volumes. Result This cohort had an average age of 52.97 ± 13.04 years with a range of 11‐97 years with 52.8% men and 47.2% women. Mean visceral abdominal fat was 3417.81 ± 514.88 ml for overweight persons (BMI ³ 25) and 5355.24 ± 505.04 for obese persons (BMI ³ 30). Even accounting for co‐variates and multiple comparisons, deep learning segmented visceral abdominal fat predicted atrophy in multiple brain regions including: total gray matter volume (Partial R = ‐.09, p = 1.17e‐19), total white matter volume (Partial R = ‐.09, p = 2.25e‐21), hippocampus (Partial R = ‐.02, p = .005), frontal cortex (Partial R = ‐.09, p = 1.79e‐19), temporal lobes (Partial R = ‐.12, p = 2.6e‐30), parietal lobes (Partial R = ‐.04, p = .0004), occipital lobe (Partial R = ‐.03, p = .002), orbital frontal cortex (Partial R = ‐.09, p = 3.76e‐21). Visceral fat predicted increased risk for lower total gray matter (age 20‐39: OR = 5.9; age 40‐59, OR = 5.4; 60‐80, OR = 5.1) and white matter atrophy: (age 20‐39: OR = 3.78; age 40‐59, OR = 4.4; 60‐80, OR = 5.1). Conclusion Deep learning determined increased visceral abdominal fat volume predicts brain volume loss and may represent a novel modifiable factor in determining brain health.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».