2026年8月17日
Cassie Zhou，研究科学家，以及 Ahmed Metwally，员工研究科学家，Google Research
我们展示了 PhotoScan 的可行性，这是一种从智能手机照片估计身体成分的深度学习方法，可在临床研究环境中以与 DXA 扫描相当的准确性预测胰岛素抵抗。
胰岛素抵抗是现代代谢疾病最关键却最常被诊断不足的驱动因素之一。它比 2 型糖尿病的临床发病早数年，在空腹血糖升高至诊断范围之前很久，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）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 被视为胰岛素抵抗。近期研究表明，将可穿戴传感器数据与常规实验室检测相结合的多模态机器学习框架，能够准确预测 HOMA-IR，从而标记早期代谢风险。整合客观的身体成分测量为可穿戴技术提供了重要的补充；可穿戴设备追踪日常生理行为，而身体成分则提供对肥胖程度的独特结构性评估，从而形成代谢风险的完整图景。
虽然了解总体体脂百分比是衡量脂肪与瘦体重的良好基线，但额外的身体成分生物标志物能提供更深入的临床见解。例如，Android 与 Gynoid 脂肪比（A/G 比）比较储存在躯干的脂肪（“苹果”形）与储存在臀部和大腿的脂肪（“梨”形）；内脏与皮下脂肪面积比（V/S 比）区分围绕器官、代谢高度活跃的内部脂肪与储存在皮肤正下方的皮下脂肪。A/G 比升高和内脏脂肪量较高与胰岛素抵抗患病率强烈相关。目前，测量真实身体成分的金标准是双能 X 射线吸收测定法（DXA）扫描。这些扫描极其精确，但并非为日常筛查而设计，因为它们价格昂贵、需要专门的临床基础设施，并且会使患者暴露于低剂量辐射。
基于智能手机在日常使用中被动监测用户健康的日益强大的能力，例如连续心率监测，我们推出了PhotoScan：一种研究性深度学习框架，可直接从标准2D智能手机照片估算三维身体成分指标，包括体脂百分比（BF%）、A/G比值和V/S比值。为此，我们在英国生物银行的超过35,000名参与者记录上预训练了一个深度神经网络，并用677名成年人的多样化新队列对其进行了微调。在临床队列中验证后，PhotoScan的体脂百分比准确度高于基于智能手表的生物电阻抗分析（BIA）传感器，同时解锁了BIA无法提供的A/G和V/S比值，提供了一个可扩展、非侵入性的框架，以接近DXA的准确度预测胰岛素抵抗。
身体成分流程和胰岛素抵抗分类概述。首先从预训练的PhotoScan模型估算身体成分指标，然后将身体成分特征与用户人口统计学数据结合用于胰岛素抵抗分类。
PhotoScan通过直接从智能手机图像中提取几何身体信息，绕过了临床测量。我们在三个关键阶段构建并评估了该框架：
对于PhotoBIA队列，通过5折交叉验证评估，微调后的PhotoScan模型在PhotoBIA队列中BF%预测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。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模型在微调和验证数据集之间表现出高度一致性。在MetabolicMosaic队列中观察到的A/G和V/S略有降低，是由于其女性记录比例（67%）高于PhotoBIA队列（57%），因为女性通常由于以臀股部皮下脂肪储存为主而表现出较低的绝对A/G和V/S比值，这减少了区域比值方差和预测误差。
PhotoScan在独立队列中预测BF%、A/G和V/S表现出了一致的性能。
接下来，我们比较了不同数据组合预测胰岛素抵抗的效果，将我们的基线人口统计学数据与标准卷尺测量、智能手表BIA传感器、PhotoScan和黄金标准DXA扫描相结合进行叠加。
我们在 MetabolicMosaic 队列上测试了我们的模型，使用梯度提升分类器来识别胰岛素抵抗的受试者。为了确保我们的结果完全无偏且无泄漏，我们实施了一个严格的测试流程，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均保持均衡，以保证公平且贴近实际的性能测试。在这一稳健框架下，我们系统性地向分类器输入了五个不同的特征集，以比较它们的预测能力：基线人口统计学特征（如年龄、性别和体重指数）、标准卷尺人体测量、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。通过比较模型在每种独立输入下的表现，我们确立了智能手机光学表型分析的临床价值。
为了评估我们的模型，我们聚焦于两个关键指标：受试者工作特征曲线下面积（AUROC）和净重分类指数（NRI）。简而言之，AUROC 衡量模型区分有胰岛素抵抗和无胰岛素抵抗个体的准确程度（越高越好）。另一方面，NRI 量化了与旧基线模型相比，我们的新数字指标在正确分类人群方面究竟提升了多少。如下图所示，我们的基线人口统计学模型达到了 0.692 的 AUROC。当我们加入基于照片扫描的身体成分特征（demo + photoscan）后，分类准确度提升至 AUROC 0.760，NRI 提升至 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 和 NRI 0.748。相比之下，将 BIA 与人口统计学特征结合（下方 demo + bia）在胰岛素抵抗分类的 AUROC 或 NRI 上均无改善，因为 BIA 仅提供体脂率估计，其在 demo + photoscan 模型中的特征重要性显著低于 A/G 比和 V/S 比。
人口统计学（基线）模型、人口统计学加 BIA（demo + bia）模型、人口统计学加 DXA（demo + dxa）模型以及人口统计学加 PhotoScan（demo + photoscan）模型的 AUROC 和 NRI 比较。
总体而言，我们的研究结果证明了基于智能手机的身体成分估计作为心脏代谢研究中可扩展工具的可行性。临床 DXA 成像提供最准确的身体成分，但缺乏可扩展性，而可穿戴 BIA 传感器提供便利，但仅限于基本的体脂百分比。我们的 PhotoScan 方法提供了一个有前景的中间方案，从标准智能手机图像中估计精细的身体成分，精度接近 DXA。
最终，这项研究强调了数字表型分析如何解决传统人体测量指标（如 BMI）的关键局限性，后者常常遗漏身体成分中具有临床意义的变异。我们的研究表明，从智能手机图像进行光学身体成分估计在技术上可行且具有临床信息价值。虽然仍处于研究原型阶段，但这种方法为可及、非侵入性的胰岛素抵抗风险筛查指明了一条路径。
尽管这些结果令人鼓舞，但身体成分只是心脏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，将身体成分估计与连续可穿戴设备数据、葡萄糖动态变化以及临床血液生物标志物相结合。通过将这些多样化的信号汇聚在一起，我们希望支持更全面、更易获取的个人代谢健康管理方法。