Βρείτε μας στο Google News. Πατήστε εδώ!Ερευνητές ανέπτυξαν μια εφαρμογή για smartphone που χρησιμοποιεί μηχανική μάθηση για να προσδιορίσει με ακρίβεια τη σύσταση του σώματος – η οποία συνδέεται με υψηλότερο κίνδυνο καρδιακών παθήσεων, εγκεφαλικού και συναφών καταστάσεων – από φωτογραφίες. Οι ερευνητές, από το Πανεπιστήμιο του Κέμπριτζ, ανέπτυξαν την εφαρμογή για smartphone που ονομάζεται 3D BodyShape, η οποία είναι επί του παρόντος ένα πρωτότυπο έρευνας και σύντομα θα είναι διαθέσιμη για συσκευές iOS και Android.
Η εφαρμογή ενσωματώνει έναν αλγόριθμο μηχανικής μάθησης, ο οποίος εκπαιδεύτηκε σε λεπτομερή δεδομένα ιατρικής απεικόνισης από περισσότερους από 12.000 ενήλικες. Από τέσσερις μόλις φωτογραφίες smartphone, η εφαρμογή κατασκευάζει ένα τρισδιάστατο μοντέλο του ανθρώπινου σώματος από το οποίο μπορεί να προσδιορίσει τη σύσταση του σώματος – πώς και πού κατανέμονται οι λίπος και οι μυϊκοί ιστοί σε όλο το σώμα με υψηλό επίπεδο ακρίβειας. Τα αποτελέσματα αναφέρονται στο περιοδικό npj Digital Medicine.
Η σύσταση του σώματος είναι ισχυρός προγνωστικός παράγοντας του διαβήτη και των καρδιακών παθήσεων. Όσοι έχουν σώμα σε σχήμα μήλου ή με χαμηλή μυϊκή μάζα στο άνω μέρος των χεριών και των κάτω ποδιών, διατρέχουν υψηλότερο κίνδυνο μεταβολικών παθήσεων όπως ο διαβήτης, οι καρδιακές παθήσεις, το εγκεφαλικό και ορισμένοι καρκίνοι. Οι ερευνητές λένε ότι ενώ η εφαρμογή δεν προορίζεται ως υποκατάστατο της ιατρικής περίθαλψης, θα μπορούσε να δώσει στα άτομα τη δυνατότητα να παρακολουθούν τις αλλαγές στην υγεία τους και τους σχετικούς κινδύνους και να κάνουν τις απαραίτητες προσαρμογές στον τρόπο ζωής τους.
Οι καρδιαγγειακές παθήσεις —όπως οι καρδιακές παθήσεις και το εγκεφαλικό— είναι η κύρια αιτία θανάτου παγκοσμίως και πολλοί από αυτούς τους θανάτους συνδέονται με κακή μεταβολική υγεία. Το ένα τρίτο του παγκόσμιου ενήλικου πληθυσμού υποφέρει από καταστάσεις που σχετίζονται με τη μεταβολική υγεία, συμπεριλαμβανομένης της παχυσαρκίας. «Η κακή μεταβολική υγεία συσχετίζεται σε μεγάλο βαθμό με το σχήμα και τη σύνθεση του σώματος – πώς και πού κατανέμονται το λίπος και οι μύες στο σώμα, αλλά σχετίζεται επίσης στενά με την κακή ποιότητα ύπνου και τα υψηλά επίπεδα στρες», δήλωσε ο καθηγητής Roberto Cipolla από το Τμήμα Μηχανικών του Κέμπριτζ, ο οποίος ηγήθηκε της έρευνας.
«Η γενετική παίζει επίσης ρόλο, αλλά πολλές ασθένειες μπορούν να προληφθούν με τον τρόπο ζωής και τη συμπεριφορά». Ο δείκτης μάζας σώματος ή ΔΜΣ χρησιμοποιείται συνήθως για την εκτίμηση της παχυσαρκίας, αλλά δεδομένου ότι ο ΔΜΣ δεν κάνει διάκριση μεταξύ λίπους και μυών, δεν είναι τόσο ισχυρός δείκτης υγείας όσο οι μέθοδοι μέτρησης που κάνουν αυτή τη διάκριση
«Στις κλινικές αξιολογήσεις, χρησιμοποιούμε πιο ακριβείς μεθόδους σύστασης σώματος, αλλά αυτές είναι ακριβές και διαθέσιμες μόνο σε ερευνητικές ή εγκαταστάσεις υγειονομικής περίθαλψης, και επομένως δεν είναι κατάλληλες για τακτική παρακολούθηση της υγείας», δήλωσε η συν-συγγραφέας Δρ. Emanuella De Lucia Rolfe από το Medical Research Council (MRC) Epidemiology Unit. “Αυτό το νέο εργαλείο έχει τη δυνατότητα να παρέχει παρόμοιες πληροφορίες για όλους όσους διαθέτουν smartphone όποτε το θέλουν και δωρεάν.”
Οι ερευνητές χρησιμοποίησαν περισσότερες από 20.000 σαρώσεις DXA (απορροφητομετρία ακτίνων Χ διπλής ενέργειας) από 12.000 συμμετέχοντες στη μελέτη Fenland, που δείχνουν λεπτομερή σύσταση σώματος και πώς άλλαξε με την πάροδο του χρόνου. Η μελέτη περιέχει αναλογίες βάρους, ύψους, ισχίου και μέσης, καθώς και ποσοστό σωματικού λίπους και πολλές άλλες παραμέτρους υγείας για κάθε συμμετέχοντα, που ήταν μεταξύ 30 και 65 ετών όταν συμμετείχε στη μελέτη.
Αυτό το σύνολο δεδομένων χρησιμοποιήθηκε ως δεδομένα εκπαίδευσης για έναν αλγόριθμο μηχανικής μάθησης για τον προσδιορισμό της σύστασης του σώματος μόνο από το τρισδιάστατο σχήμα του σώματος. Οι ερευνητές μετέτρεψαν τις δισδιάστατες εικόνες DXA σε τρισδιάστατα σχήματα σώματος ή είδωλα.
Στη συνέχεια, τα άβαταρ χρησιμοποιήθηκαν για να εκπαιδεύσουν ένα δίκτυο βαθιάς μάθησης για να προβλέψουν τη σύνθεση του σώματος, συμπεριλαμβανομένου του σπλαχνικού κοιλιακού λίπους και των σκελετικών μυών. Τα αποτελέσματα έδειξαν ότι το μοντέλο ήταν σε θέση να προβλέψει με ακρίβεια τη σύσταση του σώματος και τις αλλαγές με την πάροδο του χρόνου, για τους συμμετέχοντες στη μελέτη Fenland.
Η εφαρμογή χρησιμοποιεί αλγόριθμους όρασης υπολογιστή για να μετατρέψει τέσσερις φωτογραφίες κινητού τηλεφώνου (μπροστά, πίσω, αριστερά και δεξιά) σε ένα τρισδιάστατο avatar σχήματος σώματος και στη συνέχεια σε σύνθεση σώματος. Όλη η επεξεργασία γίνεται στο τηλέφωνο και δεν κοινοποιούνται εικόνες ή δεδομένα. Τα αποτελέσματα από την εφαρμογή προέβλεπαν επίσης τη σύνθεση του σώματος με υψηλή ακρίβεια.
«Η μελέτη Fenland περιλαμβάνει κυρίως Λευκούς Ευρωπαίους και τώρα πρέπει να δοκιμάσουμε αυτή τη μέθοδο σε άλλους πληθυσμούς», δήλωσε η De Lucia Rolfe. “Η κατανομή του σωματικού λίπους και των μυών ποικίλλει ανάλογα με την ηλικία και την εθνικότητα, και πρέπει να ελέγξουμε πόσο καλά επιλέγουμε αυτές τις διαφορές με αυτήν τη μέθοδο τρισδιάστατου σχήματος σώματος. Αυτό είναι το επόμενο έργο μας.”
Η Cipolla λέει ότι η εφαρμογή θα μπορούσε να είναι χρήσιμη για τους ανθρώπους να προσδιορίζουν τον κίνδυνο και να παρακολουθούν την υγεία τους με την πάροδο του χρόνου, δίνοντάς τους τη δυνατότητα να κάνουν οποιεσδήποτε απαραίτητες αλλαγές στον τρόπο ζωής τους -όπως διατροφή, σωματική άσκηση, ύπνο και διαχείριση του στρες- για να παραμείνουν υγιείς και να μειώσουν τον κίνδυνο.
“Η χρησιμότητα αυτού του εργαλείου μπορεί να επεκταθεί ακόμη και πέρα από τις συναντήσεις υγειονομικής περίθαλψης”, δήλωσε ο συν-συγγραφέας Δρ. Soren Brage, επίσης από τη Μονάδα Επιδημιολογίας του MRC. «Θα ήταν καλύτερα να μην χρειαζόμασταν να βλέπουμε τον γιατρό μας εξαρχής, ή τουλάχιστον λιγότερο συχνά, και η σωματική δραστηριότητα παίζει σημαντικό ρόλο σε αυτό.
