Une nouvelle méthode de forme corporelle en 3D promet des prévisions accessibles et précises de la composition corporelle, transformant potentiellement la façon dont nous surveillons la santé au fil du temps et détectons les risques.
Mailles de corps montées sur DXA. Entrées d'images DXA (ligne 1), ajustements initiaux à l'aide de HKPD (ligne 2) et ajustements optimisés (ligne 3). Étude : Prédiction de la composition corporelle totale et régionale à partir de la forme corporelle 3D
Dans une étude récente publiée dans la revue npj Digital Medicine, les chercheurs ont développé une nouvelle méthode pour prédire la composition corporelle pour les formes corporelles tridimensionnelles (3D). La composition corporelle est liée au risque de maladie chronique. Elle peut être évaluée par tomodensitométrie, absorptiométrie à rayons X bi-énergie (DXA) et imagerie par résonance magnétique. Cependant, en raison de contraintes éthiques et pratiques, ces techniques ne sont pas facilement disponibles dans les études épidémiologiques et dans la pratique clinique et ne sont pas facilement accessibles au grand public.
Des données anthropométriques conventionnelles, telles que le rapport taille-hanche, l'indice de masse corporelle (IMC) et le tour de taille-hanche, sont utilisées pour déduire la composition corporelle. Néanmoins, ces méthodes ne font pas de différence entre la masse maigre et la masse grasse et ne sont pas suffisamment précises ni pratiques pour une utilisation longitudinale, nécessitant souvent du personnel qualifié et des visites en personne. Ainsi, des outils simples, accessibles et peu coûteux sont nécessaires pour évaluer avec précision la composition corporelle.
À propos de l'étude
Dans la présente étude, les chercheurs ont développé une nouvelle méthode de prédiction de la composition corporelle en utilisant la forme du corps en 3D. Ils ont obtenu des analyses DXA, des variables de santé métabolique et des données anthropométriques appariées de l'étude Fenland créée en 2005. L'étude Fenland a impliqué 12 435 participants dans la phase I et 7 795 dans la phase II. Parmi eux, 11 359 participants de la phase I et 6 102 de la phase II ont été inclus dans la présente étude.
L’équipe a utilisé 80 % des données de la phase I pour former et dériver des modèles 3D de composition de forme corporelle, et le reste a été utilisé pour la validation. Les données de la phase II ont été utilisées comme ensemble de données de test pour la validation dans une population désormais plus âgée. De plus, une étude de validation sur smartphone a été entreprise auprès de 119 adultes en bonne santé, qui, outre les scans DXA, comprenaient une pléthysmographie aérienne et une application mobile capturant des images. Cet échantillon a été utilisé pour valider les modèles issus de l'étude Fenland et évaluer la précision des formes 3D obtenues à partir d'images de smartphone. Des mesures de validation statistique, notamment les coefficients de corrélation de Pearson et l'erreur quadratique moyenne (RMSE), ont été utilisées pour mesurer l'exactitude de ces prédictions.
Des images 2D des profils avant, arrière, droit et gauche ont été prises à l'aide d'une application mobile spécialement conçue qui construit un maillage corporel 3D. Les chercheurs ont ajusté des maillages corporels 3D aux silhouettes DXA avec des mesures anthropométriques appariées, et les paramètres ajustés ont été utilisés pour prédire les mesures de composition corporelle. Pour s'adapter à un maillage 3D, les silhouettes DXA ont été complétées par des données anthropométriques appariées à l'aide du modèle linéaire multi-personnes skinné (SMPL) dans une approche en deux étapes.
Premièrement, la méthode des distributions de probabilité cinématique hiérarchique (HKPD) a été utilisée pour les estimations initiales de pose et de forme. Ensuite, une méthode d’optimisation a été développée pour affiner cette estimation initiale. Des paramètres de forme SMPL optimisés ont été utilisés pour régresser les mesures de composition corporelle. Un réseau neuronal à action directe a été construit pour la régression, qui utilisait 10 paramètres de forme SMPL, la taille, le poids, le sexe et l'IMC comme entrée. Les sorties du réseau comprenaient la masse maigre totale, la masse grasse totale, etc. De plus, la méthode HKPD a généré des avatars SMPL en utilisant des informations multi-vues à partir d'images de smartphone. Un modèle a été développé pour prédire les paramètres de composition corporelle régionale et totale à l'aide de ces méthodes. Ses performances ont été évaluées à l’aide de valeurs d’erreur quadratique moyenne. Les associations entre les valeurs prédites et les mesures DXA ont été évaluées à l'aide des coefficients de corrélation de Pearson.
Résultats
Les participants à l’étude de validation des smartphones étaient plus jeunes, plus minces et plus légers que ceux de l’étude Fenland. Les chercheurs ont noté que les maillages optimisés correspondaient bien mieux à la silhouette DXA que les estimations initiales de forme et de pose. Dans l'échantillon de phase I de l'étude Fenland, les coefficients de corrélation entre DXA et les paramètres prédits étaient robustes pour toutes les variables de masse maigre et grasse. De même, les coefficients de corrélation étaient forts pour toutes les variables de l’échantillon de la phase II.
De plus, des résultats comparables ont été observés dans l’échantillon de validation externe. Les coefficients de corrélation de Pearson dépassaient 0,86 pour la plupart des mesures, indiquant un fort accord entre les valeurs prédites et DXA. En outre, une étude comparative a été menée sur différentes entrées du modèle régresseur. Un modèle, qui utilisait uniquement la taille et le poids comme données d’entrée, a montré une certaine capacité prédictive. Les performances ont augmenté en incluant respectivement les circonférences de la taille et des hanches. Le modèle final, qui utilisait le SMPL, la taille et le poids comme entrées, a montré des améliorations substantielles dans l'estimation des paramètres de composition corporelle. Le modèle a démontré une erreur quadratique moyenne (RMSE) inférieure à 3,5 % pour les prévisions du pourcentage de graisse corporelle, soulignant ainsi son exactitude.
Dans l'étude Fenland, 5 733 individus ont participé aux deux phases, permettant d'évaluer la capacité du modèle à détecter les changements dans la composition corporelle sur une moyenne de 6,7 ans. Le modèle a détecté des changements pour diverses mesures de masse grasse ; les changements de masse maigre ont été moins bien capturés, principalement parce que la masse maigre reste essentiellement inchangée au fil du temps.
Conclusions
Les chercheurs ont introduit une nouvelle méthode basée sur la vision par ordinateur ajustant un maillage corporel 3D à une silhouette DXA avec des données anthropométriques appariées et ont généré une base de données de maillages corporels 3D. Ces maillages prédisaient avec précision les mesures de composition corporelle. De plus, le modèle pourrait détecter des changements longitudinaux. Cependant, les chercheurs ont noté que même si le modèle était particulièrement efficace pour détecter les changements dans la masse grasse, sa capacité à suivre les changements dans la masse maigre était plus limitée, en raison de la stabilité de la masse maigre dans le temps.
L’équipe a également démontré que les avatars générés à partir d’images de smartphone pourraient être utilisés pour prédire la composition corporelle. Dans l’ensemble, les formes corporelles 3D générées à partir d’images 2D et de méthodes d’inférence pertinentes pourraient constituer une alternative viable à l’imagerie médicale clinique. L’étude reconnaît les limites démographiques de l’ensemble de données, qui comprenait principalement des adultes européens blancs, ce qui suggère des recherches plus approfondies sur diverses populations pour une applicabilité plus large.
