Un modelo de inteligencia artificial (IA) entrenado en resonancias magnéticas Dixon podría ser clave en investigaciones de gran escala sobre la distribución de grasa abdominal en niños, con sospecha o confirmación de obesidad infantil, según un estudio realizado en el Centro Médico de la Universidad Erasmus en Rotterdam
El Dr. Tong Wu y su equipo descubrieron que su modelo podía realizar exitosamente la segmentación del tejido adiposo subcutáneo (SAT) y el tejido adiposo visceral (VAT) al evaluar la distribución de grasa en la resonancia magnética, además de establecer vínculos entre esta distribución y resultados clínicos.
“Las segmentaciones de grasa obtenidas por el modelo mostraron una fuerte concordancia con las segmentaciones manuales, así como asociaciones con medidas antropomórficas y derivadas de absorciometría de rayos X de doble energía (DEXA)”, escribieron Wu y coautores en un artículo publicado en el American Journal of Roentgenology.
La obesidad infantil se ha vuelto más común en todo el mundo, con consecuencias que se traducen en problemas de salud en la adultez.
Investigaciones previas sugieren que mayores cantidades de VAT están relacionadas con un mayor riesgo de enfermedad cardiovascular, enfermedad metabólica y cáncer.
Los investigadores afirman que se necesitan métodos precisos y no invasivos para cuantificar la distribución de grasa corporal en niños para obtener mejores resultados clínicos
Las técnicas de resonancia magnética Dixon se han investigado por su capacidad para analizar el tejido graso.
En estas técnicas, se obtienen imágenes coregistradas de agua y grasa a partir de las diferencias en las frecuencias de resonancia de protones en el agua y la grasa.
Para su estudio, Wu y colegas buscaron desarrollar y probar un método automatizado de aprendizaje profundo para la segmentación de SAT y VAT utilizando imágenes de MRI Dixon adquiridas de adolescentes.
Entrenaron, validaron y probaron el modelo, una red completamente convolucional densa competitiva (2D-CDFNet), con datos de participantes en el Estudio Generation R.
Este estudio de cohorte prospectivo basado en la población en Rotterdam incluyó a 2,989 niños con una edad promedio de 13.5 años.
Los participantes se sometieron a una resonancia magnética Dixon en todo el cuerpo después de cumplir 13 años, durante la fase de seguimiento del estudio.
El modelo se entrenó para segmentar SAT y VAT abdominales utilizando MRI basada en Dixon
Wu et al, utilizaron coeficientes de similitud de Dice y similitud volumétrica para evaluar el rendimiento de la segmentación.
Dos observadores realizaron evaluaciones visuales subjetivas de las segmentaciones automatizadas en 504 niños. Además, el equipo calculó coeficientes de Spearman en 2,820 niños con datos completos, los cuales se calcularon entre las mediciones de MRI con el índice de masa corporal (BMI) y medidas basadas en DEXA.
Imagen: Resultados Ejemplares Muestran la Segmentación Automatizada del Tejido Adiposo Abdominal en SAT y VAT Utilizando Adquisiciones de MRI Dixon en Diferentes Niños.
En cada imagen, las imágenes superiores e inferiores representan imágenes de solo grasa sin (superior) y con (inferior) segmentación. Las áreas azules indican SAT, y el área verde denota VAT. Las imágenes A-F representan seis niños con tamaños corporales y cantidades variables de SAT y VAT abdominal. Todos los derecho de la imagen a su autor, publicación original abajo.
Los números de la investigación muestran un fuerte rendimiento
Los investigadores encontraron que, para el conjunto de datos de prueba, el coeficiente de similitud de Dice y la similitud volumétrica fueron de 0.94 y 0.98 para SAT, respectivamente. Para VAT, estas medidas fueron de 0.85 y 0.92, respectivamente.
Estos resultados indican que el modelo demostró un fuerte rendimiento cuantitativo.
El equipo también informó que los dos observadores asignaron una puntuación de 3, la mejor puntuación visual posible, para SAT en 94% y 93% para la proporción de infrasegmentación, y 99% y 99% para la proporción de sobresegmentación.
Los observadores también asignaron una puntuación de 3 para VAT en 99% y 99% para la proporción de infrasegmentación y 95% y 97% para la proporción de sobresegmentación. Estos hallazgos indican un fuerte rendimiento cualitativo del modelo.
Finalmente, los investigadores encontraron que las correlaciones con SAT y VAT fueron de 0.808 y 0.698 para BMI, y 0.941 y 0.801 para la masa grasa derivada de DEXA.
Según estos resultados, el modelo podría ayudar en futuras investigaciones a gran escala sobre la distribución de grasa abdominal en la resonancia magnética, lo que también podría significar investigar las asociaciones entre la distribución de grasa abdominal y otras medidas de composición corporal o resultados clínicos.
Las claves de este artículo:
La importancia clínica de este estudio radica en su contribución al campo de la investigación sobre la obesidad infantil y sus implicaciones para la salud.
Aquí hay algunas formas en las que los hallazgos pueden tener relevancia clínica:
Diagnóstico Temprano de Problemas de Salud: El uso de la inteligencia artificial para analizar la distribución de grasa abdominal en niños podría proporcionar una herramienta de diagnóstico temprano para identificar patrones específicos asociados con la obesidad.
Esto permitiría a los profesionales de la salud intervenir y abordar problemas de salud antes de que se vuelvan más graves.
Entendimiento de la Relación entre la Distribución de Grasa y Problemas de Salud: El estudio sugiere que la distribución específica de grasa, como el tejido adiposo visceral, podría estar vinculada a un mayor riesgo de enfermedades cardiovasculares, metabólicas y cancerígenas en la vida adulta.
Comprender estas relaciones puede guiar estrategias preventivas y de intervención.
Desarrollo de Estrategias de Manejo de Peso: Los resultados del estudio podrían informar el desarrollo de estrategias de manejo de peso específicas para niños, teniendo en cuenta no solo la cantidad total de grasa, sino también su distribución.
Esto podría llevar a intervenciones más personalizadas y efectivas para abordar la obesidad infantil.
Investigación a Gran Escala sobre Salud Pública: La capacidad de utilizar modelos de inteligencia artificial en grandes estudios sobre la distribución de grasa abdominal en niños podría tener implicaciones significativas para la salud pública.
Podría facilitar la recopilación de datos a gran escala para comprender mejor las tendencias de salud, identificar factores de riesgo y orientar las políticas de salud.
Para conocer más sobre esta investigación recomendamos visitar el AJR y acceder al artículo completo.
0 comentarios