超越BMI：用智能手机图像评估心脏代谢风险
摘要
谷歌研究推出PhotoScan框架，通过智能手机照片估计身体成分，以接近DXA的精度预测胰岛素抵抗，为大规模代谢风险筛查提供了可扩展的非侵入性方案。
核心要点
- PhotoScan使用ResNet-50深度学习模型，从标准2D智能手机照片估计体脂率、A/G脂肪比和V/S脂肪比。
- 模型预训练基于UK Biobank的35,323名参与者数据，并使用677名成年人的实拍照片进行微调，最终在132人的独立队列中验证。
- 在PhotoBIA队列中，PhotoScan预测体脂率的平均绝对误差(MAE)为2.15，而基于智能手表的BIA模型为2.91，精度更高。
- 独立验证队列中，PhotoScan的BF%、A/G和V/S的MAE分别为2.13、0.085和0.085，与微调队列结果一致。
- PhotoScan能提供BIA无法测量的A/G和V/S比值，这些指标与胰岛素抵抗高度相关。
原文佐证
- the fine-tuned PhotoScan model demonstrated an average mean absolute error (MAE) of 2.15 for BF% prediction across the PhotoBIA cohort, while the BIA-based model achieved an MAE of 2.91.
AI 洞察
智能手机摄影与深度学习结合，可能开创低成本、零辐射的代谢健康筛查新范式，使胰岛素抵抗的早期发现从医院走向日常。这一方向若成熟，将推动个体健康管理从被动就医转向主动监测，但需解决数据隐私、人群偏差与临床验证等落地挑战。