谷歌研究:智能手机影像估算胰岛素抵抗风险

原标题:Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery
48AI 研判分

谷歌研究人员提出利用智能手机图像估算身体成分,以辅助预测胰岛素抵抗(HOMA-IR)这一关键代谢风险指标。该研究旨在通过视觉数据补充可穿戴设备信息,构建多模态机器学习框架,从而在常规血液检查前实现更早期的代谢健康筛查。目前该技术处于探索阶段,未来计划结合连续血糖与临床生物标志物以提升预测精度。

报道正文

本文目录5 个章节

胰岛素抵抗是现代代谢性疾病中最关键却常被低估的驱动因素之一。在 2 型糖尿病临床发病前数年,胰岛素敏感性受损便已悄然损害血管健康、肝脏功能和能量代谢,此时空腹血糖尚未升至诊断范围。稳态模型评估胰岛素抵抗(HOMA-IR)对稳态空腹条件下肝脏葡萄糖生成与胰岛素分泌之间的反馈回路进行建模;根据流行病学综述,HOMA-IR 评分大于 2.9 即被视为存在胰岛素抵抗。近期研究表明,整合可穿戴传感器数据与常规实验室检测的多模态机器学习框架能够准确预测 HOMA-IR,从而识别早期代谢风险。将身体成分的客观测量指标纳入其中,是对可穿戴技术的重要补充:虽然可穿戴设备追踪日常生理行为,但身体成分提供了关于肥胖程度的独特结构性评估,二者结合可形成完整的代谢风险画像。

虽然了解总体脂百分比是衡量脂肪与瘦体重比例的良好基线,但额外的身体成分生物标志物能提供更深入的临床洞察。例如,Android-to-Gynoid 脂肪比(A/G 比值)比较了躯干储存的脂肪(“苹果型”身材)与臀部和大腿储存的脂肪(“梨型”身材);内脏脂肪与皮下脂肪面积比(V/S 比值)则区分了围绕器官的高代谢活性内脏脂肪与仅位于皮肤下方的皮下脂肪。升高的 A/G 比值和更高的内脏脂肪量与胰岛素抵抗的患病率呈强相关。目前,测量真实身体成分的黄金标准是双能 X 射线吸收测定法(DXA)扫描。这些扫描精度极高,但由于成本昂贵、需要专门的临床基础设施,且使患者暴露于低剂量辐射之下,因此并不适合用于日常筛查。

在智能手机被动监测用户日常健康状况的能力日益增强的基础上(例如连续心率监测),我们推出了 PhotoScan:一种处于研究阶段的深度学习框架,可直接从标准的 2D 智能手机照片中估算三维身体成分指标,包括体脂率(BF%)、A/G 比值和 V/S 比值。为此,我们在来自 UK Biobank 的超过 35,000 份参与者记录上预训练了一个深度神经网络,并使用一个由 677 名成年人组成的多样化新队列对其进行了微调。经过临床队列验证,PhotoScan 在体脂率估算精度上优于基于智能手表的生物电阻抗分析 (BIA) 传感器,同时突破了 BIA 的技术局限,实现了 A/G 和 V/S 比值的估算,提供了一种可扩展、非侵入性的框架,能够以接近 DXA 的精度预测胰岛素抵抗。

PhotoScan 的工作原理

PhotoScan 通过直接从智能手机图像中提取几何身体信息,从而绕过传统的临床测量步骤。我们在三个关键阶段构建并评估了该框架:

  1. 预训练(UK Biobank,N = 35,323)[73abd3]:_ 我们利用 UK BioBank 数据集的一个子集(该数据集包含 MRI 图像以及来自 DXA 的身体成分真值数据),训练了一个 ResNet-50 主干网络(使用 ImageNet 权重初始化),旨在从由 3D MRI 扫描生成的 2D 正面和侧面投影图像中预测身体成分指标,并以 DXA 扫描结果作为真值。该模型通过最终的密集层将图像特征与参与者的性别、身高、体重及内部 BMI 进行融合,从而输出目标指标的概率密度函数。
  2. 微调(PhotoBIA 队列,N = 677): 在 PhotoBIA 数据集[d7d94d]上,我们采用真实世界的智能手机照片及其对应的 DXA 真值数据对模型进行了微调,并使用了 5 折交叉验证。为了扩充训练数据,一个自动化的关键点检测流程直接从 360 度参与者视频中筛选出最佳的正面和侧面姿态帧。
  3. 验证(MetabolicMosaic 队列,N = 132): 在一个独立队列[294b87]上进行评估时,PhotoScan 在体脂率(BF%)、四肢/躯干比值(A/G ratio)以及内脏/皮下脂肪比值(V/S ratio)方面均表现出与 DXA 的高度一致性,使其在预测胰岛素抵抗方面达到了接近 DXA 的精度。这一独立验证数据集源自旧金山一项为期 30 周的纵向试验,参与者拥有完整的配对数据,涵盖 DXA、PhotoScan、生物电阻抗分析(BIA)、人体测量学数据、12 小时空腹血液实验室检查(包括空腹血糖和胰岛素、完整血脂谱等)以及 Fitbit 被动连续追踪数据。

关键结果

身体成分准确性

对于 PhotoBIA 队列,通过 5 折交叉验证评估,微调后的 PhotoScan 模型在预测体脂率(BF%)方面的平均平均绝对误差(MAE)为 2.15,而基于 BIA 的模型 MAE 为 2.91。躯干/四肢比(A/G)的平均 MAE 为 0.107,内脏脂肪/皮下脂肪比(V/S)的平均 MAE 为 0.094。对于 MetabolicMosaic 队列(独立验证),BF%、A/G 和 V/S 的 MAE 均与 PhotoBIA 队列相当(BF% 为 2.13,A/G 为 0.085,V/S 为 0.085)。总体而言,微调后的 PhotoScan 模型在微调数据集和验证数据集之间表现出高度一致性。MetabolicMosaic 队列中观察到的 A/G 和 V/S 略有降低,是由于该队列中女性记录的比例(67%)高于 PhotoBIA 队列(57%)所致;由于女性主要呈现梨形分布的皮下脂肪储存模式,其绝对 A/G 和 V/S 比值通常较低,从而降低了区域比值的方差及预测误差。

胰岛素抵抗分类

接下来,我们比较了不同数据组合对胰岛素抵抗的预测效果,将基线人口统计学特征分别与标准卷尺测量、智能手表生物电阻抗分析(BIA)传感器、PhotoScan 以及金标准 DXA 扫描数据进行叠加对比。

我们在 MetabolicMosaic 队列上使用梯度提升分类器来识别具有胰岛素抵抗的受试者。为确保结果完全无偏且避免数据泄露,我们实施了严格的测试流程,反复在未参与训练的数据上评估模型性能。此外,我们还确保每个测试组在 BMI 和胰岛素抵抗状态两方面均保持均衡,以保证性能测试的公平性和真实性。在这一稳健框架下,我们系统地向分类器输入五组不同的特征集以比较其预测能力:包括年龄、性别和身体质量指数(BMI)等基线人口统计学特征、标准卷尺人体测量学指标、智能手表生物电阻抗数据、我们的智能手机 PhotoScan 指标,以及临床金标准 DXA 扫描数据。通过比较模型在这些独立输入下的表现,我们确立了智能手机光学表型分析的临床价值。

[注:本文篇幅超长,以上为核心前篇精译,后续内容保留原文呈现]

To evaluate our models, we focused on two key metrics: the Area Under the Receiver Operating Characteristic curve (AUROC) and the Net Reclassification Index (NRI). Simply put, AUROC measures how accurately a model can distinguish between someone who has insulin resistance and someone who does not (higher is better). NRI, on the other hand, quantifies exactly how much our new digital metrics improve our ability to correctly categorize people compared to our old baseline model. As the figure below indicates, our baseline demographic model achieved an AUROC of 0.692. When we added the photoscan-based body composition features (demo + photoscan), the classification accuracy improved to an AUROC to 0.760 and NRI improved to 0.593, nearly as effective as using clinical DXA data itself, which topped out at an AUROC of 0.773 and an NRI of 0.748. In contrast, adding BIA with demographics (demo + bia below) yielded no improvement in AUROC or NRI for insulin resistance classification for IR classification, as BIA only provides BF% estimation, whose feature importance is significantly lower than A/G ratio and V/S ratio in the demo + photoscan model.

Conclusions and future directions

Overall, our findings demonstrate the feasibility of smartphone-based body composition estimation as a scalable tool for cardiometabolic research. Clinical DXA imaging delivers the most accurate body composition but lacks scalability, whereas wearable BIA sensors offer convenience but are limited to basic body fat percentage. Our PhotoScan approach offers a promising middle ground, estimating granular body composition from standard smartphone imagery with near-DXA accuracy.

Ultimately, this research highlights how digital phenotyping can address key limitations of traditional anthropometrics like BMI, which often miss clinically significant variations in body composition. Our study demonstrates that optical body composition estimation from smartphone imagery is both technically feasible and clinically informative. While still a research prototype, this approach suggests a path toward accessible, non-invasive screening for insulin resistance risk.

While these results are encouraging, body composition is just one component of cardiometabolic health. Looking ahead, our research aims to explore multi-modal data integration, combining body composition estimation with continuous wearable data, glucose dynamics, and clinical blood biomarkers. By bringing these diverse signals together, we hope to support more holistic, accessible approaches to managing personal metabolic health.