論文の概要: Data-Driven Abdominal Phenotypes of Type 2 Diabetes in Lean, Overweight, and Obese Cohorts

• arxiv url: http://arxiv.org/abs/2508.11063v1
• Date: Thu, 14 Aug 2025 20:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.669606
• Title: Data-Driven Abdominal Phenotypes of Type 2 Diabetes in Lean, Overweight, and Obese Cohorts
• Title（参考訳）: リーン,オーバーウェイト,肥満コホートにおける2型糖尿病のデータ駆動性腹部現象
• Authors: Lucas W. Remedios, Chloe Choe, Trent M. Schwartz, Dingjie Su, Gaurav Rudravaram, Chenyu Gao, Aravind R. Krishnan, Adam M. Saunders, Michael E. Kim, Shunxing Bao, Alvin C. Powers, Bennett A. Landman, John Virostko,
• Abstract要約: AIにより、大規模な3D臨床画像において、腹部構造からサイズ、形状、脂肪の詳細な測定を抽出できる。 これにより、2型糖尿病のリスクと防御に関連する体組成のシグネチャを経験的に定義する機会が生まれる。 以上の結果より,2型糖尿病の腹部ドライバは体重階級で一定である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 5.508569823664517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Although elevated BMI is a well-known risk factor for type 2 diabetes, the disease's presence in some lean adults and absence in others with obesity suggests that detailed body composition may uncover abdominal phenotypes of type 2 diabetes. With AI, we can now extract detailed measurements of size, shape, and fat content from abdominal structures in 3D clinical imaging at scale. This creates an opportunity to empirically define body composition signatures linked to type 2 diabetes risk and protection using large-scale clinical data. Approach: To uncover BMI-specific diabetic abdominal patterns from clinical CT, we applied our design four times: once on the full cohort (n = 1,728) and once on lean (n = 497), overweight (n = 611), and obese (n = 620) subgroups separately. Briefly, our experimental design transforms abdominal scans into collections of explainable measurements through segmentation, classifies type 2 diabetes through a cross-validated random forest, measures how features contribute to model-estimated risk or protection through SHAP analysis, groups scans by shared model decision patterns (clustering from SHAP) and links back to anatomical differences (classification). Results: The random-forests achieved mean AUCs of 0.72-0.74. There were shared type 2 diabetes signatures in each group; fatty skeletal muscle, older age, greater visceral and subcutaneous fat, and a smaller or fat-laden pancreas. Univariate logistic regression confirmed the direction of 14-18 of the top 20 predictors within each subgroup (p < 0.05). Conclusions: Our findings suggest that abdominal drivers of type 2 diabetes may be consistent across weight classes.
• Abstract（参考訳）: 目的:BMI上昇は2型糖尿病のリスクファクターとしてよく知られているが,健常成人や肥満児の欠如により,2型糖尿病の腹部表現型が明らかになる可能性が示唆された。 AIにより、大規模な3D臨床画像において、腹部構造からサイズ、形状、脂肪の詳細な測定を抽出できる。 これにより、大規模な臨床データを用いて、2型糖尿病のリスクと保護に関連する身体構成シグネチャを経験的に定義する機会が生まれる。 アプローチ:BMI特異的糖尿病性腹部パターンを臨床CTから明らかにするために,全コホート(n = 1,728)とリーン(n = 497)と過体重(n = 611)と肥満(n = 620)を別々に4回行った。 簡単な設計では,腹部のスキャンをセグメント化による説明可能な測定値の集合に変換し,クロスバリデーションによる2型糖尿病を分類し,SHAP分析によるモデル推定リスクや保護,共有モデル決定パターンによるグループスキャン(SHAPからのクラスタリング)によるグループスキャン,解剖学的差異(分類)を関連づける。 結果: ランダム・フォレストのAUCは0.72-0.74。 各群には, 脂肪骨格筋, 高齢, 内臓, 皮下脂肪, 脂肪層膵の2型糖尿病徴候が認められた。 単変量ロジスティック回帰は各サブグループ内の上位20の予測値の14-18の方向を確認した(p < 0.05)。 結論: 2型糖尿病の腹部ドライバは体重階級間で一致している可能性が示唆された。

関連論文リスト

• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Supervised Learning Models for Early Detection of Albuminuria Risk in Type-2 Diabetes Mellitus Patients [0.0]
  本研究の目的は,T2DM患者にアルブミン尿を発症するリスクを予測するための教師付き学習モデルを開発することである。 特徴として10の属性、目標として1の属性(アルブミン尿症)から構成される。 これはそれぞれ0.74と0.75の精度とf1スコアの値を達成し、T2DMの尿失調を予測するためのスクリーニングに適していた。
  論文  参考訳（メタデータ） (2023-09-28T08:41:12Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Learning shape distributions from large databases of healthy organs: applications to zero-shot and few-shot abnormal pancreas detection [56.4729555813972]
  健康臓器の大規模データベースから形状分布を学習するための,スケーラブルでデータ駆動型アプローチを提案する。 得られた潜在形状表現は、異常な形状検出のためのゼロショット法と少数ショット法を導出するために活用される。
  論文  参考訳（メタデータ） (2022-10-21T16:39:59Z)
• Using Machine Learning Techniques to Identify Key Risk Factors for Diabetes and Undiagnosed Diabetes [0.0]
  本稿では,糖尿病の有無と未診断糖尿病の有無を予測するために構築された機械学習モデルについて概説する。 次に、最高のパフォーマンスモデルの最も関連性の高い変数を比較します。 血液浸透圧、家族歴、様々な化合物の有病率、高血圧は全ての糖尿病リスクの指標である。
  論文  参考訳（メタデータ） (2021-05-19T20:02:35Z)

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。