基于3D光学成像的人体作象体积变量预测——机器学习方法
机器学习
2025-06-19 v1
摘要
准确预测人体作象体积变量（如附加肌肉质量、体脂百分比和骨密度）对于早期诊断多种慢性疾病至关重要。目前，研究者依赖双能量X射线吸收计（DXA）扫描来测量这些指标；然而，DXA扫描成本高昂且耗时。本文提出了一种替代方案，通过对来自3D光学图像获取的生物标志物（身高、体积、左小腿围度等）应用统计和机器学习模型。数据集包含847名患者，来自Pennington生物医学研究中心。提取患者数据在医疗保健领域面临诸多技术挑战和法律限制。然而，大多数监督式机器学习算法本质上数据密集型，需要大量训练数据。为克服这些限制，我们实现了一种半监督模型，即p-Laplacian回归模型。本文是首次展示p-Laplacian模型用于回归的应用。我们的p-Laplacian模型在训练数据仅占全部数据的10%时，ALM误差约为13%，BMD误差约为10%，BFP误差约为20%。在所实现的监督式算法中，支持向量回归（SVR）在ALM和BMD上表现最佳，误差分别约为8%，而最小二乘SVR在BFP上表现最佳，误差约为11%。我们的发现将p-Laplacian模型定位为医疗保健应用中有前景的工具，尤其是在数据受限的环境中。
引用
@article{arxiv.2506.14815,
title = {Predicting Anthropometric Body Composition Variables Using 3D Optical Imaging and Machine Learning},
author = {Gyaneshwar Agrahari and Kiran Bist and Monika Pandey and Jacob Kapita and Zachary James and Jackson Knox and Steven Heymsfield and Sophia Ramirez and Peter Wolenski and Nadejda Drenska},
journal= {arXiv preprint arXiv:2506.14815},
year = {2025}
}