論文の概要: Predicting Anthropometric Body Composition Variables Using 3D Optical Imaging and Machine Learning

• arxiv url: http://arxiv.org/abs/2506.14815v1
• Date: Sun, 08 Jun 2025 03:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.699576
• Title: Predicting Anthropometric Body Composition Variables Using 3D Optical Imaging and Machine Learning
• Title（参考訳）: 3次元光学画像と機械学習による人体組成変動の予測
• Authors: Gyaneshwar Agrahari, Kiran Bist, Monika Pandey, Jacob Kapita, Zachary James, Jackson Knox, Steven Heymsfield, Sophia Ramirez, Peter Wolenski, Nadejda Drenska,
• Abstract要約: 本研究では,3次元光学画像から得られたバイオマーカーに統計的および機械学習モデルを適用することで,DXAスキャンに代わる手法を提案する。 患者のデータを医療で抽出することは、多くの技術的課題と法的制約に直面している。 これらの制約を克服するため、我々は半教師付きモデルである$p$-Laplacian回帰モデルを実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of anthropometric body composition variables, such as Appendicular Lean Mass (ALM), Body Fat Percentage (BFP), and Bone Mineral Density (BMD), is essential for early diagnosis of several chronic diseases. Currently, researchers rely on Dual-Energy X-ray Absorptiometry (DXA) scans to measure these metrics; however, DXA scans are costly and time-consuming. This work proposes an alternative to DXA scans by applying statistical and machine learning models on biomarkers (height, volume, left calf circumference, etc) obtained from 3D optical images. The dataset consists of 847 patients and was sourced from Pennington Biomedical Research Center. Extracting patients' data in healthcare faces many technical challenges and legal restrictions. However, most supervised machine learning algorithms are inherently data-intensive, requiring a large amount of training data. To overcome these limitations, we implemented a semi-supervised model, the $p$-Laplacian regression model. This paper is the first to demonstrate the application of a $p$-Laplacian model for regression. Our $p$-Laplacian model yielded errors of $\sim13\%$ for ALM, $\sim10\%$ for BMD, and $\sim20\%$ for BFP when the training data accounted for 10 percent of all data. Among the supervised algorithms we implemented, Support Vector Regression (SVR) performed the best for ALM and BMD, yielding errors of $\sim 8\%$ for both, while Least Squares SVR performed the best for BFP with $\sim 11\%$ error when trained on 80 percent of the data. Our findings position the $p$-Laplacian model as a promising tool for healthcare applications, particularly in a data-constrained environment.
• Abstract（参考訳）: いくつかの慢性疾患の早期診断には, 人体組成変数の正確な予測が不可欠である。 現在、研究者はこれらの測定値を測定するためにDXAスキャンをDual-Energy X-ray Absorptiometry(DXA)に頼っている。 本研究は,3次元光学画像から得られたバイオマーカー(高さ,体積,左ふくらはぎ周囲など)に統計的および機械学習モデルを適用することで,DXAスキャンに代わる方法を提案する。 データセットは847人の患者で構成され、ペニントンバイオメディカル・リサーチ・センター(Pennington Biomedical Research Center)から提供された。 患者のデータを医療で抽出することは、多くの技術的課題と法的制約に直面している。 しかし、ほとんどの教師付き機械学習アルゴリズムは本質的にデータ集約であり、大量のトレーニングデータを必要とする。 これらの制約を克服するため、我々は半教師付きモデルである$p$-Laplacian回帰モデルを実装した。 本稿では,レグレッションに対する$p$-Laplacianモデルの適用を初めて実証する。 私たちの$p$-Laplacianモデルでは、ALMが$\sim13\%、BMDが$\sim10\%、BFPが$\sim20\%というエラーが発生しました。 私たちが実装した教師付きアルゴリズムの中で、Support Vector Regression (SVR) は ALM と BMD で最高のエラーを出し、両方で$\sim 8\% のエラーを出し、Least Squares SVR はデータの80%でトレーニングすると$\sim 11\% のエラーで BFP で最高のエラーを処理しました。 以上の結果から,医療アプリケーション,特にデータ制約環境における有望なツールとして,$p$-Laplacianモデルを位置づけた。

関連論文リスト

• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• Swin UNETR++: Advancing Transformer-Based Dense Dose Prediction Towards Fully Automated Radiation Oncology Treatments [0.0]
  本稿では,DCAモジュールを内蔵したSwin UNETR++を提案する。 私たちのモデルは、Open Knowledge-Based Planningデータセットでトレーニングされ、検証され、テストされました。
  論文  参考訳（メタデータ） (2023-11-11T13:52:59Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Multidimensional analysis using sensor arrays with deep learning for high-precision and high-accuracy diagnosis [0.0]
  本研究では,DNN(Deep Neural Network)を低コストで高精度なセンサアレイのデータに入力することにより,測定精度と精度を大幅に向上させることが実証された。 データ収集は、32個の温度センサーで構成され、16個のアナログと16個のデジタルセンサーで構成されている。
  論文  参考訳（メタデータ） (2022-11-30T16:14:55Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。