In een recent Amerikaans onderzoek is een nieuwe innovatieve methode geïntroduceerd waarbij gebruik gemaakt wordt van geavanceerde 3D-beeldvorming en deep learning-technieken voor het analyseren van de lichaamssamenstelling voor het beoordelen van de verdeling van lichaamsvet en spieren. Factoren die cruciaal zijn voor het begrijpen van gezondheidsrisico's in verband met verschillende aandoeningen.
Overgewicht, of (morbide) obesitas wordt wereldwijd gezien als een van de grootste gezondheidsrisico’s van de komende decennia. In sommige landen is het aantal mensen met een BMI van 25 of hoger, ‘overgewicht grens’, al tot boven de 50 procent gestegen. In Nederland is volgens een rapport van het RIVM uit 2024 al vier op de tien personen tussen de 18 en 44 te zwaar. Dat zullen er over 25 jaar, in 2050, bijna zes op de tien zijn.
3D-beeldvorming en deep-learning
Het Amerikaanse onderzoek, ‘3D Convolutional Deep Learning for Nonlinear Estimation of Body Composition from Whole Body Morphology’, is een gezamenlijk project van is onderzoekers van het Pennington Biomedical Research Center, University of Washington, University of Hawaii en University of California-San Francisco en is onlangs gepubliceerd in npj Digital Medicine.
De onderzoekers introduceerden een innovatieve benadering waarbij diepe, niet-lineaire methoden worden gebruikt om de schatting van parameters voor de lichaamssamenstellings te verbeteren. Met deze methode, zo stellen de onderzoekers, wordt de nauwkeurigheid van eerdere lineaire modellen overtroffen. Deze vooruitgang biedt mogelijkheden voor het verbeteren van beoordelingen in klinische settings en onderzoekstoepassingen.
Betrouwbaar hulpmiddel
Deze ontwikkeling betekent een stap voorwaarts in medische beeldvorming en gezondheidsbeoordeling en biedt clinici en onderzoekers een betrouwbaarder hulpmiddel om de lichaamssamenstelling en de bijbehorende gezondheidsrisico's te evalueren.
“Het eenvoudig en snel maken van een gedetailleerde digitale kaart van iemands lichaamsvorm en vervolgens die informatie gebruiken om niet alleen nauwkeurige schattingen van iemands lichaamssamenstelling en gezondheidsrisico's te genereren, maar ook bijbehorende 3D-beelden, was een paar jaar geleden nog bijna ondenkbaar. Technologische vooruitgang zoals deze vereist vaardigheden van een breed scala aan wetenschappers en ik ben blij dat ik hier bij Pennington Biomedical de kans krijg om samen te werken met collega's uit het hele land en de hele wereld”, aldus Dr. Heymsfield, hoogleraar metabolisme en lichaamssamenstelling.
Hoogtepunten van het onderzoek
- Geavanceerde beeldvorming: De onderzoekers maakten gebruik van 3D-beeldvormingstechnologie om gedetailleerde weergaven van de vorm van het lichaam vast te leggen.
- Toepassing van deep learning: Door geavanceerde deep learning-algoritmen toe te passen, bereikte het onderzoek nauwkeurigere schattingen van de lichaamssamenstelling in vergelijking met traditionele methoden.
- Implicaties voor de gezondheid: Een nauwkeurige analyse van de lichaamssamenstelling is essentieel voor het beoordelen van gezondheidsrisico's in verband met obesitas, hart- en vaatziekten en andere stofwisselingsziekten.
Auteurs van “3D Convolutional Deep Learning for Nonlinear Estimation of Body Composition from Whole Body Morphology” waren onder andere Dr. Steven Heymsfield van het Pennington Biomedical Research Center, Dr. Isaac Tian, Dr. Jason Liu en Dr. Brian Curless van de Universiteit van Washington; Dr. Michael Wong, Nisa Kelly, Yong Liu en Dr. John Shepherd van de Universiteit van Hawaï; en Dr. Andrea K. Garber van de Universiteit van Californië-San Francisco.
