Forskare utvecklar AI-algoritm för att mäta muskelutveckling och tillhandahålla tillväxtkurvor för barn

Växande barn

Med hjälp av artificiell intelligens och det hittills största MR-datasetet för pediatrisk hjärna har forskare nu utvecklat ett tillväxtdiagram för att spåra muskelmassa hos växande barn. Den nya studien, som leddes av forskare från Brigham and Women’s Hospital, visade att deras artificiella intelligensbaserade verktyg är det första som erbjuder ett standardiserat, korrekt och tillförlitligt sätt att bedöma och spåra indikatorer på muskelmassa vid rutinmässig MR-undersökning. Resultaten publiceras i Nature Communications.

”Barncancerpatienter kämpar ofta med låg muskelmassa, men det finns inget standardiserat sätt att mäta detta. Vi var motiverade att använda artificiell intelligens för att mäta tjockleken på temporalismuskeln och skapa en standardiserad referens”, säger huvudförfattaren Ben Kann, MD, strålningsonkolog vid Brighams avdelning för strålningsonkologi och Mass General Brighams Artificial Intelligence in Medicine Program.

”Med vår metod fick vi fram ett tillväxtdiagram som vi kan använda för att snabbt och i realtid spåra muskeltjockleken hos barn under utveckling. På så sätt kan vi avgöra om de växer inom ett idealiskt intervall.”

Muskelmassa hos människor har kopplats till livskvalitet, daglig funktionsstatus och är en indikator på övergripande hälsa och livslängd. Personer med tillstånd som sarkopeni eller låg muskelmassa riskerar att dö tidigare eller att drabbas av olika sjukdomar som kan påverka deras livskvalitet. Historiskt sett har det inte funnits något utbrett eller praktiskt sätt att mäta muskelmassa, utan kroppsmasseindex (BMI) har använts som standardmått.

Svagheten med BMI är att det visserligen tar hänsyn till vikt, men inte anger hur mycket av vikten som utgörs av muskler. I årtionden har forskare vetat att tjockleken på temporalis-muskeln utanför skallen är associerad med muskelmassa i kroppen. Det har dock varit svårt att mäta tjockleken på denna muskel i realtid på kliniken och det har inte funnits något sätt att diagnostisera normal från onormal tjocklek. Traditionella metoder har vanligtvis involverat manuella mätningar, men dessa metoder är tidskrävande och inte standardiserade.

För att åtgärda detta tillämpade forskargruppen sin pipeline för djupinlärning på MR-scanningar av patienter med pediatriska hjärntumörer som behandlats vid Boston Children’s Hospital/Dana-Farber Cancer Institute i samarbete med Boston Children’s radiologiska avdelning.

Teamet analyserade 23 852 normala MR-bilder av friska hjärnor från personer i åldrarna 4 till 35 år för att beräkna tjockleken på temporalis-muskeln (iTMT) och utveckla tillväxtdiagram med normalreferens för muskeln. MR-resultaten sammanställdes för att skapa könsspecifika normala iTMT-tillväxtdiagram med percentiler och intervall. De fann att iTMT är korrekt för ett stort antal patienter och jämförbart med analyser av utbildade mänskliga experter.

”Tanken är att dessa tillväxtdiagram ska kunna användas för att avgöra om en patients muskelmassa ligger inom ett normalt intervall, på samma sätt som tillväxtdiagram för längd och vikt vanligtvis används på läkarmottagningar”, säger Kann.

I praktiken skulle den nya metoden kunna användas för att bedöma patienter som redan genomgår rutinmässiga MR-undersökningar av hjärnan för att spåra medicinska tillstånd som barncancer och neurodegenerativa sjukdomar. Teamet hoppas att förmågan att övervaka temporalis-muskeln direkt och kvantitativt kommer att göra det möjligt för läkare att snabbt ingripa hos patienter som visar tecken på muskelförlust, och därmed förhindra de negativa effekterna av sarkopeni och låg muskelmassa.

En av begränsningarna ligger i algoritmernas beroende av skanningskvalitet, och hur en suboptimal upplösning kan påverka mätningar och tolkningen av resultat. En annan nackdel är den begränsade mängden MR-datauppsättningar som finns tillgängliga utanför USA och Europa och som kan ge en korrekt global bild.

”I framtiden kanske vi vill undersöka om nyttan med iTMT kommer att vara tillräckligt hög för att motivera regelbundna MR-undersökningar för fler patienter”, säger Kann. ”Vi planerar att förbättra modellens prestanda genom att träna den på mer utmanande och varierande fall. Framtida tillämpningar av iTMT kan göra det möjligt för oss att spåra och förutsäga sjuklighet, samt avslöja kritiska fysiologiska tillstånd hos patienter som kräver intervention.”

Ytterligare information: Automated Temporalis Muscle Quantification and Growth Charts for Children Through Adulthood, Nature Communications (2023). DOI: 10.1038/s41467-023-42501-1

Bli först med att kommentera

Lämna ett svar

Din e-postadress kommer inte att publiceras.