שיטת מבנה גוף תלת מימדית חדשה מבטיחה תחזיות נגישות ומדויקות של הרכב הגוף, שעלולה לשנות את האופן שבו אנו עוקבים אחר בריאות לאורך זמן ומזהים סיכונים.
רשתות גוף מותאמות ל-DXA. כניסות תמונה DXA (שורה 1), התאמה ראשונית באמצעות HKPD (שורה 2) והתאמה אופטימלית (שורה 3). מחקר: חיזוי של הרכב הגוף הכולל והאזורי מצורת גוף תלת מימדית
במחקר שפורסם לאחרונה בכתב העת npj Digital Medicine, חוקרים פיתחו שיטה חדשה לניבוי הרכב גוף עבור צורות גוף תלת מימדיות (3D). הרכב הגוף קשור לסיכון למחלה כרונית. ניתן להעריך אותו באמצעות טומוגרפיה ממוחשבת, ספיגה של קרני רנטגן באנרגיה כפולה (DXA) והדמיית תהודה מגנטית. עם זאת, בשל אילוצים אתיים ומעשיים, טכניקות אלו אינן זמינות בקלות במחקרים אפידמיולוגיים ובפרקטיקה קלינית ואינן נגישות בקלות לציבור הרחב.
אנתרופומטריות קונבנציונליות, כגון יחס מותניים-ירכיים, מדד מסת הגוף (BMI) והיקפי מותניים-ירכיים, משמשים להסקת הרכב הגוף. עם זאת, שיטות אלו אינן מבדילות בין מסת שומן ושומן והן אינן מדויקות/נוחות במידה מספקת לשימוש לאורך, ולעתים קרובות דורשות צוות מיומן וביקורים אישיים. לפיכך, דרושים כלים פשוטים, נגישים וזולים להערכת הרכב הגוף בצורה מדויקת.
לגבי המחקר
במחקר הנוכחי, חוקרים פיתחו שיטה חדשה לחיזוי הרכב הגוף באמצעות צורת גוף תלת מימדית. הם השיגו סריקות DXA, משתני בריאות מטבוליים ונתוני אנתרופומטריה מצמדים ממחקר פנלנד שהוקם בשנת 2005. מחקר פנלנד כלל 12,435 משתתפים בשלב I ו-7,795 בשלב II. מתוכם, 11,359 משתתפים משלב I ו-6,102 משלב II נכללו במחקר הנוכחי.
הצוות השתמש ב-80% מנתוני שלב I כדי לאמן ולהפיק מודלים של הרכב צורת גוף תלת-ממדיים, והשאר שימש לאימות. נתוני שלב II שימשו כמערך נתונים לבדיקה לאימות באוכלוסייה מבוגרת כיום. יתרה מכך, מחקר אימות סמארטפון נערך עם 119 מבוגרים בריאים, שפרט לסריקות DXA, כלל פלטיזמוגרפיה אווירית ואפליקציה לנייד שמצלמת תמונות. מדגם זה שימש לאימות מודלים שנגזרו ממחקר פנלנד ולהעריך את הדיוק של צורות תלת ממדיות שהתקבלו מתמונות סמארטפון. מדדי אימות סטטיסטיים, כולל מקדמי מתאם פירסון ושגיאת ממוצע ריבוע שורש (RMSE), הופעלו כדי למדוד את הדיוק של התחזיות הללו.
תמונות דו-ממדיות של הפרופילים הקדמיים, האחוריים, הצד הימני והצד השמאלי צולמו באמצעות אפליקציה סלולרית שנבנתה במיוחד הבונה רשת גוף תלת-ממדית. החוקרים התאימו רשתות גוף תלת-ממדיות לצלליות DXA עם מדדי אנתרופומטריה זוגיים, והפרמטרים המותאמים שימשו לניבוי מדדי הרכב הגוף. כדי להתאים לרשת תלת-ממדית, צלליות DXA הוגדלו באנתרופומטריה זוגית באמצעות המודל ליניארי רב-אדם בעל עור (SMPL) בגישה דו-שלבית.
ראשית, שיטת התפלגות ההסתברות הקינמטית ההיררכית (HKPD) שימשה להערכות ראשוניות של תנוחה וצורה. לאחר מכן, פותחה שיטת אופטימיזציה כדי לחדד את הניחוש הראשוני הזה. נעשה שימוש בפרמטרים אופטימליים של צורת SMPL כדי לסגת מדדי הרכב הגוף. נבנתה רשת עצבית להזנה קדימה עבור רגרסיה, שהשתמשה ב-10 פרמטרים של צורת SMPL, גובה, משקל, מין ו-BMI כקלט. תפוקות הרשת כללו מסה רזה כוללת, מסת שומן כוללת וכו'. יתרה מכך, שיטת HKPD יצרה אווטארים של SMPL תוך שימוש במידע רב-צפי מתמונות סמארטפון. פותח מודל לניבוי מדדי הרכב הגוף האזוריים והכללים באמצעות שיטות אלו. הביצועים שלו הוערכו באמצעות ערכי שגיאה של בסיס ממוצע בריבוע. הקשרים בין ערכים חזויים ומדידות DXA הוערכו באמצעות מקדמי מתאם של פירסון.
ממצאים
משתתפי מחקר אימות הסמארטפונים היו צעירים יותר, רזים יותר וקלים יותר מאלו במחקר פנלנד. החוקרים ציינו שהרשתות האופטימליות תאמו את צללית ה-DXA הרבה יותר טוב מהערכות הצורה והפוזה הראשונית. במדגם שלב I של מחקר Fenland, מקדמי המתאם בין DXA ופרמטרים חזויים היו חזקים עבור כל משתני המסה הרזה והשומן. באופן דומה, מקדמי המתאם היו חזקים עבור כל המשתנים במדגם שלב II.
בנוסף, נצפו תוצאות דומות במדגם האימות החיצוני. מקדמי המתאם של פירסון עלו על 0.86 עבור רוב המדדים, מה שמצביע על הסכמה חזקה בין ערכי ה-DXA החזויים. כמו כן, נערך מחקר השוואה על תשומות מודל רגרסורים שונים. מודל אחד, שהשתמש רק בגובה ובמשקל בתור תשומות, הראה יכולת חיזוי מסוימת. הביצועים גדלו על ידי הכללת היקפי מותניים וירכיים, בהתאמה. המודל הסופי, שהשתמש ב-SMPL, גובה ומשקל בתור תשומות, הראה שיפורים מהותיים בהערכת מדדי הרכב הגוף. המודל הדגים שגיאת שורש ממוצע הריבוע (RMSE) של פחות מ-3.5% עבור תחזיות אחוזי שומן בגוף, והדגישו את הדיוק שלו.
במחקר Fenland, 5,733 אנשים השתתפו בשני השלבים, מה שאפשר להעריך את יכולתו של המודל לזהות שינויים בהרכב הגוף לאורך ממוצע של 6.7 שנים. המודל זיהה שינויים עבור מדדי מסת שומן שונים; שינויים במסה הרזה נתפסו פחות טוב, בעיקר בגלל שהמסה הרזה נותרה ללא שינוי לאורך זמן.
מסקנות
החוקרים הציגו שיטה חדשה המבוססת על ראייה ממוחשבת המתאימה רשת גוף תלת מימדית לצללית DXA עם נתונים אנתרופומטריים מזווגים ויצרו מסד נתונים של רשתות גוף תלת מימדיות. רשתות אלו חזו במדויק מדדי הרכב הגוף. יתר על כן, המודל יכול לזהות שינויים אורכיים. עם זאת, החוקרים ציינו כי בעוד שהמודל היה יעיל במיוחד בזיהוי שינויים במסת השומן, יכולתו לעקוב אחר שינויים במסה הרזה הייתה מוגבלת יותר, בשל יציבות המסה הרזה לאורך זמן.
הצוות גם המחיש שאפשר להשתמש באווטרים שנוצרו מתמונות סמארטפון לצורך חיזוי הרכב הגוף. בסך הכל, צורות גוף תלת-ממדיות שנוצרו מתמונות דו-ממדיות ושיטות הסקת מסקנות רלוונטיות יכולות להוות אלטרנטיבה בת קיימא להדמיה רפואית קלינית. המחקר מכיר במגבלות הדמוגרפיות של מערך הנתונים, שכלל בעיקר מבוגרים אירופאים לבנים, מה שמציע מחקר נוסף באוכלוסיות מגוונות ליישום רחב יותר.
