Mäter muskelmassa med neuralt nätverk

Alexander Karlsson har tilldelats Christer Giléns stipendium 2020 inom statistik och maskininlärning för en masteruppsats där han med hjälp av ett neuralt nätverk förbättrat en metod för att mäta muskelmassa.

Alexander Karlsson har tilldelats Christer Giléns stipendium 2020

När Alexander Karlsson skulle välja ämne för sin masteruppsats i statistik och maskininlärning vid institutionen för datavetenskap pratade han med sin syster.
– Hon jobbar som dietist på enheten för klinisk nutrition på Sahlgrenska i Göteborg. Jag skulle själv gärna jobba inom sjukvården och därför frågade jag henne om hon kände till någon forskare som sysslade med någon intressant frågeställning när det gäller data, berättar Alexander Karlsson.
På så sätt kom han i kontakt med en forskare på samma enhet som systern. Uppgiften för masteruppsatsen blev att se om han med en statistisk modell kunde förbättra en metod för att mäta kroppens muskelmassa.
– När dietister ska ge kostråd är det viktigt att de vet kroppssammansättningen, det vill säga mängden fett, ben och muskler i kroppen. Särskilt intressant är mängden muskler. Den har visat sig vara en viktig indikator på muskelfunktion, men också hur man sköter sin kost generellt.

BIA-apparat eller röntgen

Idag använder enheten för klinisk nutrition två olika sätt att uppskatta kroppssammansättning. Ett är med en så kallad BIA-apparat, där BIA står för Bioelectrical Impedance Analysis. Den skickar elektriska signaler genom kroppen och mäter styrkan som kommer ut i andra delar av kroppen. Elektriska egenskaper skiljer sig mellan muskler jämfört med ben och fett, vilket återspeglas i signalens styrka. Man kan genom att tolka signalerna få en komplex bild av kroppssammansättning, det gäller bara att översätta dem.
– BIA är enkelt att använda. Patienten ställer sig på en vågliknande apparat, tar tag i två handtag och efter 20 sekunder är det är klart. Själva vågen har en inbyggd modell som uppskattar mängd muskelmassa, men resultatet är inte så pålitligt. Det är denna uppskattning jag avser att förbättra.
Det andra sättet att mäta kroppssammansättningen är röntgen. Det är dyrare och mer omständligt, men resultatet är mer exakt.

Neurala nätverk föll sig naturligt

På Sahlgrenska fick Alexander Karlsson tillgång till ett dataset som innehöll uppgifter från både BIA-apparaten och röntgenundersökningen av olika individer. Totalt handlade det om cirka 5700 observationer. I datasetet fanns även andra uppgifter som individernas kön, ålder, vikt och längd.
– I min uppsats har jag tagit de elektriska signalerna från BIA-mätningen och kört den genom en statistisk modell som jag skapat. Jag försöker konvertera de elektriska signalerna som visas i olika delar av kroppen, tillsammans med kön, ålder, vikt och längd för varje individ till den röntgenbaserade uppskattningen.
Högst förenklat kan man säga att Alexander Karlsson skapat en avancerad ekvation där bland annat ålder, vikt, längd och kön är variabler. Ekvationen omvandlar värdena från BIA-apparaten så att de närmar sig värdena från röntgenundersökningen.
– En stor del av min uppsats handlade om att bearbeta data på rätt sätt. Jag lade ner mycket tid på att förstå data och hur den kan användas. Jag pratade mycket med min externa handledare på Sahlgrenska om det här, vilket var till stor hjälp.

Sambandet mellan värdena från BIA-apparaten och röntgenundersökningen är mycket komplext.
– Det föll sig därför naturligt att använda neurala nätverk för detta problem, då dessa modeller är mycket flexibla. Kortfattat går det ut på att skicka signaler framåt i ett nätverk av vikter och noder. Exakt hur förvandlingen av signalerna sker inom dessa komplexa nätverk är inte lätt att tolka och inte heller viktig, det viktiga är resultatet.

Kan du se några praktiska tillämpningar av dina resultat i framtiden?

– Absolut. Istället för att alla patienter ska göra både röntgen och BIA-undersökningen så skulle man kunna implementera mina algoritmer i verksamheten så de bara behöver använda BIA-apparaten i framtiden. Vi diskuterar nu hur vi ska vidare. Att få sitt examensarbete ut i verksamheten vore helt fantastiskt.

 

Läs mer om masterprogrammet Statistics and Machine Learning (på engelska). 

 

Alexander Karlsson är Christer Gilén-stipendiat inom statistik och maskininlärning 2020

Alexander Karlsson har tilldelats Christer Giléns stipendium inom området statistik och maskininlärning 2020 för masteruppsatsen ”Improving predictions of muscle mass from an impedance device - Cross-calibration of bioelectrical impedance analysis and dual Xray absorbiometry using a Bayesian approach".
Sedan 2019 delas Christer Giléns stipendium ut till masteruppsatser inom områdena statistik och maskininlärning och ekonomisk styrning, organisation och innovation. Stipendierna är om vardera 10 000 kr.

Från motiveringen:

Alexander Karlsson har på ett mycket förtjänstfullt och självständigt sätt författat uppsatsen "Improving predictions of muscle mass from an impedance device - Cross-calibration of bioelectrical impedance analysis and dual Xray absorbiometry using a Bayesian approach". [...]

Föreslagna metoder inom statistik och maskininlärning är ett nytillskott till ett forskningsfält som syftar till att förbättra prediktioner av muskelmassa från en impedansvåg inom sjukvården. De nya metoderna uppvisar en tydlig förbättring i prediktion jämfört med tidigare använda forskningsmetoder.

Mottagare av Christer Giléns stipendier Visa/dölj innehåll

2019-års stipendiaterVisa/dölj innehåll

Läs mer om Christer Giléns stipendierVisa/dölj innehåll

Senaste nytt från LiUVisa/dölj innehåll