胰岛素抵抗是现代代谢性疾病中最关键、却又最容易漏诊的诱因之一。它早于 2 型糖尿病的临床发病数年出现，在空腹血糖升至诊断范围之前很久，胰岛素敏感性受损就已悄然损害血管健康、肝功能和能量代谢。胰岛素抵抗稳态模型评估（HOMA-IR）模拟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；根据流行病学综述，HOMA-IR 评分大于 2.9 即被认为存在胰岛素抵抗。近期研究表明，将可穿戴传感器数据与常规化验结果相结合的多模态机器学习框架，可以准确预测 HOMA-IR，从而提示早期代谢风险。纳入客观的身体成分测量，是对可穿戴技术的重要补充：可穿戴设备追踪日常生理行为，而身体成分则提供对脂肪堆积的独立结构性评估，共同构成代谢风险的完整图景。
了解总体脂率是衡量脂肪与瘦体重的良好基线，但其他身体成分生物标志物能提供更深入的临床洞见。例如，男性型与女性型脂肪比（A/G 比）比较的是储存在躯干（“苹果”型）与臀部和大腿（“梨”型）的脂肪；内脏与皮下脂肪面积比（V/S 比）则区分环绕器官、代谢高度活跃的内脏脂肪与储存在皮肤下方的皮下脂肪。A/G 比升高和内脏脂肪量增加，与胰岛素抵抗的患病率密切相关。目前，测量真实身体成分的金标准是双能 X 线吸收测定法（DXA）扫描。这类扫描极为精确，但并不适合日常筛查，因为它费用高昂，需要专门的临床基础设施，并且会让患者暴露于低剂量辐射。
智能手机在日常使用中被动监测用户健康的能力日益增强，例如持续心率监测。在此基础上，我们提出 PhotoScan：一个处于研究阶段的深度学习框架，可直接从普通的 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 比和 V/S 比。为此，我们在 UK Biobank 的 35,000 多条参与者记录上预训练了一个深度神经网络，并用一个包含 677 名成年人的多样化新队列对其进行微调。经多个临床队列验证，PhotoScan 的体脂率准确度高于基于智能手表的生物电阻抗分析（BIA）传感器，同时还能给出 BIA 无法提供的 A/G 和 V/S 比，为预测胰岛素抵抗提供了一个可扩展、非侵入式且接近 DXA 准确度的框架。
PhotoScan 如何工作
PhotoScan 绕过临床测量，直接从智能手机图像中提取人体几何信息。我们分三个关键阶段构建并评估了这个框架：
- 预训练（UK Biobank，N = 35,323）[73abd3]：我们使用 UK BioBank 数据集的一个子集，其中同时包含 MRI 图像和来自 DXA 的身体成分真值，训练了一个 ResNet-50 骨干网络（用 ImageNet 权重初始化），根据由 3D MRI 扫描生成的 2D 正面和侧面投影图像预测身体成分指标，并以 DXA 扫描作为真值。模型通过最后一个全连接层，将图像特征与参与者的性别、身高、体重和内部 BMI 融合，输出目标指标的概率密度函数。
- 微调（PhotoBIA 队列，N = 677）：我们使用 PhotoBIA 数据集[d7d94d]，以配有 DXA 真值的真实智能手机照片对模型进行微调，并采用 5 折交叉验证。为扩充训练数据，我们用一条自动化的关键点检测流水线，直接从参与者的 360 度视频中挑选出最佳的正面和侧面姿势帧。
- 验证（MetabolicMosaic 队列，N = 132）：在一个独立队列[294b87]上评估时，PhotoScan 在 BF%、A/G 比和 V/S 比上与 DXA 高度一致，使预测胰岛素抵抗达到接近 DXA 的准确度。这一独立验证数据集来自旧金山一项为期 30 周的纵向试验，参与者拥有完整的配对数据，涵盖 DXA、PhotoScan、BIA、人体测量指标、12 小时空腹血液化验（空腹血糖和胰岛素、完整血脂检测等），以及 Fitbit 的被动持续追踪。
主要结果
身体成分准确度
在 PhotoBIA 队列中，经 5 折交叉验证评估，微调后的 PhotoScan 模型预测 BF% 的平均平均绝对误差（MAE）为 2.15，而基于 BIA 的模型 MAE 为 2.91。A/G 的平均 MAE 为 0.107，V/S 为 0.094。在 MetabolicMosaic 队列（独立验证）中，BF%、A/G 和 V/S 的 MAE 都与 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 模型在微调数据集与验证数据集之间表现出很强的一致性。MetabolicMosaic 队列中 A/G 和 V/S 的误差略有降低，原因是其女性记录占比（67%）高于 PhotoBIA 队列（57%）；女性通常以女性型的皮下脂肪储存为主，A/G 和 V/S 绝对比值较低，从而降低了区域比值的方差和预测误差。
胰岛素抵抗分类
接下来，我们比较了不同数据组合预测胰岛素抵抗的效果：以基线人口统计信息为底，分别叠加标准卷尺测量、智能手表 BIA 传感器、PhotoScan 以及金标准 DXA 扫描。
我们在 MetabolicMosaic 队列上，使用梯度提升分类器来识别存在胰岛素抵抗的受试者。为确保结果完全无偏且没有数据泄漏，我们采用了严格的测试流程，在未见过的数据上反复评估模型。我们还确保每个测试组在 BMI 和胰岛素抵抗状态上都均衡分布，以保证测试公平且贴近现实。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，比较它们的预测能力：年龄、性别和体重指数等基线人口统计信息、标准卷尺人体测量指标、智能手表生物电阻抗、我们的智能手机 PhotoScan 指标，以及临床金标准 DXA 扫描。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。
为评估模型，我们关注两个关键指标：受试者工作特征曲线下面积（AUROC）和净重新分类指数（NRI）。简单来说，AUROC 衡量模型区分有胰岛素抵抗者与无胰岛素抵抗者的准确程度（越高越好）。而 NRI 则量化与旧的基线模型相比，我们的新数字指标在多大程度上提升了正确归类人群的能力。如下图所示，我们的基线人口统计模型 AUROC 为 0.692。加入基于 PhotoScan 的身体成分特征后（demo + photoscan），分类准确率提高到 AUROC 0.760、NRI 0.593，几乎与使用临床 DXA 数据本身一样有效，后者最高达到 AUROC 0.773、NRI 0.748。相比之下，在人口统计信息之上加入 BIA（下图中的 demo + bia），对胰岛素抵抗（IR）分类的 AUROC 和 NRI 都没有提升，因为 BIA 只能提供 BF% 估计，其特征重要性远低于 demo + photoscan 模型中的 A/G 比和 V/S 比。
结论与未来方向
总体而言，我们的研究结果证明，基于智能手机的身体成分估算作为心血管代谢研究的可扩展工具是可行的。临床 DXA 成像能给出最准确的身体成分，但难以规模化；而可穿戴 BIA 传感器虽然方便，却只限于基本的体脂率。我们的 PhotoScan 方法提供了一个有前景的折中方案：从普通智能手机图像中估算精细的身体成分，准确度接近 DXA。
归根结底，这项研究凸显了数字表型分析如何弥补 BMI 等传统人体测量指标的关键局限，这些指标往往会遗漏身体成分中具有临床意义的差异。我们的研究表明，基于智能手机图像的光学身体成分估算在技术上可行，在临床上也有参考价值。尽管目前仍是研究原型，但这一方法为实现便捷、非侵入式的胰岛素抵抗风险筛查指明了一条路径。
这些结果令人鼓舞，但身体成分只是心血管代谢健康的一个组成部分。展望未来，我们的研究旨在探索多模态数据整合，将身体成分估算与持续的可穿戴数据、血糖动态以及临床血液生物标志物结合起来。通过汇集这些不同的信号，我们希望支持更全面、更易获得的个人代谢健康管理方式。