TL;DR
- نویسندگان:.
- منگلیان ژو،.
- آرنو چارتون،.
چه اتفاقی افتاد
نویسندگان:. منگلیان ژو،.
آرنو چارتون،. امیلی بلانچارد،.
لارنس کای،. تریسی گیست،.
هرشل واتکینز،. محمد بوترفا،.
جکی واسون،. کرتانا ناتاراجان،.
آنیکت دشپاند،. جینینگ ژان،.
شلتن یوئن،. ژاوی پریتو،.
ژاکلین مالهو،. ژاکلین مالهو،.
کتی اسپید،. آلیشیا کوکوشکا،.
آراویند ناتاراجان،. الکساندروس پانتلوپولوس،.
احمد متوالی مشاهده PDF HTML (تجربی) چکیده:. شاخص توده بدن (BMI) به طور گسترده در دسترس اما نادقیق از سلامت قلب است.
در حالی که ارزیابی ترکیب واقعی بدن برتر است،. روشهای استاندارد طلایی مانند جذب سنجی اشعه ایکس با انرژی دوگانه (DXA) مقیاسپذیر نیستند.
ما این شکاف را با توسعه و اعتبارسنجی «PhotoScan»،. روشی برای تخمین ترکیب بدن از تصاویر گوشیهای هوشمند برطرف میکنیم.
ما یک مدل یادگیری عمیق را بر روی شرکتکنندگان Biobank بریتانیا (N=35323) از قبل آموزش دادیم و روی. یک گروه بالینی تازه استخدامشده (PhotoBIA) بهخوبی تنظیم کردیم.
گروه،. N=677) با نژاد،.
سن و توزیع چربی بدن متنوع،. دستیابی به دقت بالایی در برابر DXA برای درصد کل چربی بدن (BF٪،.
MAE = 2.15٪)،. نسبت چربی Android به Gynoid (A/G،.
MAE = 0.11)،. و ناحیه احشایی به چربی زیر پوستی (9.0.S،.
چربی زیر پوستی). تعمیمپذیری مدل در یک گروه مستقل مطالعه سلامت متابولیک (همگروهی MetabolicMosaic،.
N=132 شرکتکننده)،. با دستیابی به MAE 2.13٪ برای BF،.
0.09 برای A/G،. و 0.09 برای V/S نشان داده شد.
سپس ما کاربرد بالینی این معیارها را در گروه MetabolicMosaic با پیشبینی مقاومت به انسولین (IR) ارزیابی کردیم. افزودن معیارهای ترکیب بدن مشتق شده از PhotoScan به مدل دموگرافیک پایه (سن،.
جنس،. BMI) به طور قابل توجهی طبقه بندی مقاومت به انسولین را بهبود بخشید (ناحیه زیر منحنی مشخصه عملکرد.
گیرنده "AUROC" 76.0٪ در مقابل 69.2٪،. تست DeLong p=0.002،.
Net0. مهمتر از همه،.
این روش گوشی هوشمند در دسترس عملکردی تقریباً معادل افزودن دادههای DXA درجه بالینی به مدل جمعیتی پایه. (AUROC 77.3٪ در مقابل 69.2٪،.
تست DeLong p = 0.004،. NRI 0.748) به دست آورد.
این یافتهها نشان میدهد که فنوتیپ مبتنی بر گوشیهای هوشمند سیگنالهای خطر بالینی معنیداری را که توسط BMI. و آنتروپومتریک از دست میرود،.
ضبط میکند،. و جایگزینی مقیاسپذیر برای DXA برای طبقهبندی خطر متابولیک قلبی ارائه میکند.
موضوعات:. روشهای کمی (q-bio.QM) استناد به عنوان:.
arXiv:. 2603.27017 [q-bio.QM] (یا arXiv:.
2603.27017v2 [q-bio.QM] برای این نسخه) https:. //doi.org/10.48550/arXiv.2603.27017 DOI صادر شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Menglian Zhou [مشاهده ایمیل] [v1] جمعه،. 27 مارس 2026،.
ساعت 22:. 12:.
16 UTC (7,. 454 KB) [v2] دوشنبه،.
6 آوریل 2026،. ساعت 23:.
23:. 21 UTC (7,.
452 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.