dual-energy X-ray absorptiometry
PulseAugur coverage of dual-energy X-ray absorptiometry — every cluster mentioning dual-energy X-ray absorptiometry across labs, papers, and developer communities, ranked by signal.
-
新的图神经网络回归框架可准确估算身体成分
研究人员开发了一种名为靶点感知、状态自适应 $p$-Dirichlet 能量流图神经网络回归（$p$SADE-GNR）的新框架，用于从非侵入式测量中估算身体成分。该方法使用神经网络编码器和图神经网络来分析参与者相似性并预测如体脂百分比、骨密度和瘦体重等结果。在临床试验中，$p$SADE-GNR 模型在预测这些结果方面表现出优于现有方法的准确性，在大多数比较中优于支持向量回归和最小二乘支持向量回归。
-
Google Research利用智能手机照片估算代谢风险
Google Research开发了PhotoScan，一个深度学习框架，它利用标准的智能手机照片来估算身体成分指标，如体脂百分比、安卓股比和内脏脂肪与皮下脂肪比。这项技术在UK Biobank和新队列的数据上进行了训练，其在预测胰岛素抵抗方面的准确性与DXA扫描相当。PhotoScan旨在提供一种可扩展、非侵入性的早期代谢风险检测方法，其准确性超越了基于智能手表的生物电阻抗分析传感器。
-
AI模型LeDXA从X射线扫描中提取疾病风险和生物年龄
研究人员开发了LeDXA，一种从双能X射线吸收法（DXA）扫描中提取健康见解的自监督学习模型。LeDXA在未标记的DXA图像上进行训练，可预测疾病风险、生物衰老和遗传性，其表现优于传统的DXA测量和DINOv3等通用模型。该模型在骨关节炎（髋关节和膝关节）和2型糖尿病等常见和新发疾病的预测方面有所改进，并准确估计了生物年龄，该年龄与疾病负担和死亡风险相关。
-
AI模型利用EHR和DXA数据预测骨折风险的表现优于FRAX
研究人员开发并验证了利用双能X射线吸收法（DXA）和电子健康记录（EHR）数据预测50岁以上成年人骨折风险的新模型。这些模型，包括惩罚Cox回归、随机生存森林、梯度提升生存和XGBoost生存，在区分能力上优于临床使用的FRAX评分。在内部验证中，扩展Cox模型达到了0.779的Harrell C指数，在外部验证中达到了0.714，而梯度提升生存模型在外部区分能力上最高，为0.725。建议在临床应用前进一步评估校准、前瞻性评估和实施工作流程。
-
新的因果分析方法提高了髋部骨折风险预测的准确性
研究人员开发了一种因果分析方法，以更好地理解源自DXA扫描的骨骼表型与髋部骨折风险之间的关系。通过分析来自超过21,000名UK Biobank参与者的数据，他们发现股骨总骨矿物质含量和密度对骨折风险的影响最大。与现有方法相比，将这些表型纳入风险预测模型显著提高了准确性。
-
VerteNet混合CNN Transformer改进DXA扫描地标定位
研究人员开发了VerteNet，这是一种混合CNN-Transformer模型，旨在精确地标定侧位脊柱DXA扫描中的椎体地标。该深度学习框架解决了低对比度和易产生伪影的图像带来的挑战，这些图像通常使手动标注困难且耗时。VerteNet在跨四个不同模型的扫描中表现出卓越的定位精度，归一化平均误差为4.92像素，中位误差为2.35像素。该系统在检测腹主动脉切片方面也显示出高精度，并提高了临床分析的读数间一致性。