Contador de visitas:
Vistas Hoy : 56
Vistas Últimos 7 días : 422
Total de Vistas : 3675859
Tu Dirección IP : 216.73.216.191Desarrollado por WPS Visitor Counter
Inteligencia artificial en el manejo de la imagen en nutrición clínica: Un nuevo horizonte lleno de posibilidades
Artificial Intelligence in image management in clinical nutrition: A new horizon full of posibilities
– Autores:
Juan José López Gómez 1,2 y Daniel A. De Luis Román 1,2
1 Servicio de Endocrinología y Nutrición. Hospital Clínico Universitario de Valladolid. España. 2 Centro de Investigación Endocrinología y Nutrición. Universidad de Valladolid. España
Resumen
Introducción y objetivos: La inteligencia artificial (IA) aplicada a la imagen optimiza la evaluación de la composición corporal facilitando y agilizando la obtención de información, además de plantear la existencia de nuevos biomarcadores. Esta revisión explora su aplicación actual, la evidencia científica existente y futuras líneas de desarrollo en este campo.
Fundamentos teóricos: Las principales técnicas de imagen en composición corporal son la ecografía, la tomografía computarizada (TC), la resonancia magnética (RM) y la absorciometría dual de rayos X (DEXA). En este contexto, la IA a través de herramientas de aprendizaje profundo mediante redes neuronales convolucionales permite extraer características cuantitativas (áreas, volúmenes) y cualitativas (densidad, ecogenicidad) de las imágenes, integrándose con técnicas de radiómica para generar biomarcadores precisos.
Aplicaciones específicas: La IA se utiliza para automatizar la segmentación de imágenes, con el objetivo de delimitar de manera exacta los distintos compartimentos que definen la composición corporal. Por otra parte, potencia el análisis de las características de la imagen para valorar la calidad del músculo o la grasa. Mediante distintos algoritmos se puede obtener información de imágenes de ecografía (mediante algoritmos de umbralización múltiple es posible clasificar áreas musculares, de infiltración grasa o fibrosis), TC (el análisis del coeficiente de atenuación ofrece un marcador de calidad muscular), RM (mediante técnicas Dixon o el mapeo T1 se puede discriminar la infiltración grasa) o DEXA (mediante modelado 3D de imágenes 2D), que nos pueden ayudar a realizar un diagnóstico más preciso, un tratamiento personalizado y una monitorización adecuada del tratamiento médico nutricional.
Conclusión: La integración de la IA en el análisis de imágenes de composición corporal promete transformar el diagnóstico, tratamiento y el seguimiento nutricional, posibilitando intervenciones más personalizadas. Sin embargo, su integración plena en la práctica clínica depende de superar desafíos técnicos, éticos y regulatorios.
Palabras clave
Inteligencia artificial, composición corporal, desnutrición, obesidad, sarcopenia, radiómica.
Abstract
Introduction and aims: Artificial Intelligence (AI) applied to imaging optimize the assessment of body composition by facilitating and accelerating the acquisition of information, while also introducing the possibility of identifying new biomarkers. This review explores its current applications, the existing scientific evidence, and future lines of development of this field.
Theoretical Foundations: The main imaging techniques used in body composition analysis are ultrasound, computed tomography (CT), magnetic resonance imaging (MRI), and dual-energy X-ray absortiometry (DEXA). In this context, AI, through deep learning tools using convolutional neural networks, enables the extraction of quantitative (areas, volumes) and qualitative (density, echogenicity) features from images. These can be integrated with radiomics techniques to generate precise biomarkers.
Specific Applications: AI is used to automate image segmentation, aiming to accuratel delineate the different compartments that define body composition. Additionally, it enhances the analysis of image features to assess the quality of muscle or fat tissue. Through various algorithms, information can be extracted from ultrasound images (e.g., using multi-thresholding algorithms to classify muscle areas, fat infiltration, or fibrosis), CT (e.g., attenuation coefficient analysis as a marker of muscle quality), MRI (e.g., using Dixon techniques or T1 mapping to detect fat infiltration), or DEXA (e.g., 3D modeling from 2D images). These tools can support more accurate diagnoses, personalized treatments, and appropriate monitoring of medical nutritional therapy.
Conclusion: The integration of AI in the analysis of body composition imaging promises to transform diagnosis, treatment, and nutritional monitoring, enabling more personalized interventions. However, its full integration into clinical practice depends on overcoming technical, ethical, and regulatory challenges.
Key words
Artificial Intelligence, Body Composition, Malnutrition, Obesity, Sarcopenia, Radiomics.