Background: Body composition is increasingly being recognized as an important prognostic factor for health outcomes across cancer, liver cirrhosis, and critically ill patients. Computed tomography (CT) scans, when taken as part of routine care, provide an excellent opportunity to precisely measure the quantity and quality of skeletal muscle and adipose tissue. However, manual analysis of CT scans is costly and time-intensive, limiting the widespread adoption of CT-based measurements of body composition. Summary: Advances in deep learning have demonstrated excellent success in biomedical image analysis. Several recent publications have demonstrated excellent accuracy in comparison to human raters for the measurement of skeletal muscle, visceral adipose, and subcutaneous adipose tissue from the lumbar vertebrae region, indicating that analysis of body composition may be successfully automated using deep neural networks. Key Messages: The high accuracy and drastically improved speed of CT body composition analysis (<1 s/scan for neural networks vs. 15 min/scan for human analysis) suggest that neural networks may aid researchers and clinicians in better understanding the role of body composition in clinical populations by enabling cost-effective, large-scale research studies. As the role of body composition in clinical settings and the field of automated analysis advance, it will be critical to examine how clinicians interact with these systems and to evaluate whether these technologies are beneficial in improving treatment and health outcomes for patients.

中文翻译：

---

临床人群计算机断层扫描的身体成分分析：深度学习的作用

背景：身体成分越来越被认为是癌症、肝硬化和危重患者健康结果的重要预后因素。计算机断层扫描 (CT) 扫描作为常规护理的一部分，为精确测量骨骼肌和脂肪组织的数量和质量提供了绝佳机会。然而，手动分析 CT 扫描成本高且耗时，限制了基于 CT 的身体成分测量的广泛采用。总结：深度学习的进步在生物医学图像分析方面取得了巨大的成功。最近的一些出版物表明，与人类评估者相比，测量腰椎区域的骨骼肌、内脏脂肪和皮下脂肪组织具有出色的准确性，表明使用深度神经网络可以成功地自动化身体成分分析。关键信息：CT 身体成分分析的高精度和显着提高的速度（神经网络 <1 秒/扫描，而人体分析为 15 分钟/扫描）表明神经网络可以帮助研究人员和临床医生更好地理解身体的作用通过实现具有成本效益的大规模研究来改善临床人群的组成。随着身体成分在临床环境中的作用和自动分析领域的进步，检查临床医生如何与这些系统交互并评估这些技术是否有利于改善患者的治疗和健康结果至关重要。CT 身体成分分析的高精度和显着提高的速度（神经网络 <1 秒/扫描，而人体分析为 15 分钟/扫描）表明，神经网络可以帮助研究人员和临床医生更好地了解身体成分在临床中的作用。通过启用具有成本效益的大规模研究来改善人群。随着身体成分在临床环境中的作用和自动分析领域的进步，检查临床医生如何与这些系统交互并评估这些技术是否有利于改善患者的治疗和健康结果至关重要。CT 身体成分分析的高精度和显着提高的速度（神经网络 <1 秒/扫描，而人体分析为 15 分钟/扫描）表明，神经网络可以帮助研究人员和临床医生更好地了解身体成分在临床中的作用。通过启用具有成本效益的大规模研究来改善人群。随着身体成分在临床环境中的作用和自动分析领域的进步，检查临床医生如何与这些系统交互并评估这些技术是否有利于改善患者的治疗和健康结果至关重要。15 分钟/扫描用于人体分析）表明，神经网络可以通过实现具有成本效益的大规模研究来帮助研究人员和临床医生更好地了解身体成分在临床人群中的作用。随着身体成分在临床环境中的作用和自动分析领域的进步，检查临床医生如何与这些系统交互并评估这些技术是否有利于改善患者的治疗和健康结果至关重要。15 分钟/扫描用于人体分析）表明，神经网络可以通过实现具有成本效益的大规模研究来帮助研究人员和临床医生更好地了解身体成分在临床人群中的作用。随着身体成分在临床环境中的作用和自动分析领域的进步，检查临床医生如何与这些系统交互并评估这些技术是否有利于改善患者的治疗和健康结果至关重要。