超越BMI：利用智能手机影像估算心血管代谢风险

# 超越BMI：通过智能手机图像估算心脏代谢风险 来源：https://research.google/blog/seeing-beyond-bmi-estimating-cardiometabolic-risk-with-smartphone-imagery/ 胰岛素抵抗是现代代谢疾病中最为关键却最易被忽视的诱因之一。在空腹血糖升高至诊断范围之前数年，胰岛素敏感性受损就已悄然损害血管健康、肝功能及能量代谢。胰岛素抵抗稳态模型评估（HOMA-IR，https://link.springer.com/article/10.1007/BF00280883）模拟稳态空腹状态下肝脏葡萄糖生成与胰岛素分泌的反馈循环，基于流行病学综述（https://pmc.ncbi.nlm.nih.gov/articles/PMC4016563/），HOMA-IR评分高于2.9即被视为存在胰岛素抵抗。近期研究（https://research.google/blog/insulin-resistance-prediction-from-wearables-and-routine-blood-biomarkers/）表明，整合可穿戴传感器数据与常规实验室检查的多模态机器学习框架，能准确预测HOMA-IR以早期识别代谢风险。整合身体成分的客观测量可为可穿戴技术提供重要补充——可穿戴设备追踪日常生理行为，而身体成分则从结构层面评估脂肪分布，从而形成代谢风险的完整画像。 虽然了解总体脂肪率是衡量脂肪与瘦体重比例的良好基线（https://pubmed.ncbi.nlm.nih.gov/10966886/），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，腹臀脂肪比（A/G比值，https://pmc.ncbi.nlm.nih.gov/articles/PMC4181515/）比较躯干脂肪（"苹果型"体型）与臀部大腿脂肪（"梨型"体型）的分布；内脏皮下脂肪面积比（V/S比值，https://pmc.ncbi.nlm.nih.gov/articles/PMC3636065/）则区分器官周围的高代谢活性内脏脂肪与皮肤下方的皮下脂肪。升高的A/G比值和较高的内脏脂肪量与胰岛素抵抗患病率密切相关。目前，测量真实身体成分的金标准是双能X射线吸收测定法（DXA）扫描（https://pmc.ncbi.nlm.nih.gov/articles/PMC5659281/）。这类扫描精度极高，但因成本高昂、需要专业临床设施且会使患者暴露于低剂量辐射（https://pubmed.ncbi.nlm.nih.gov/32742961/），并不适用于日常筛查。 基于智能手机在日常使用中被动监测用户健康能力的不断增强（如持续心率监测，https://www.nature.com/articles/s41586-026-10507-6），我们推出了PhotoScan（https://arxiv.org/pdf/2603.27017）：一个研究性深度学习框架，可直接从标准2D智能手机照片中估算包括体脂百分比（BF%）、A/G比值（https://pmc.ncbi.nlm.nih.gov/articles/PMC4181515/）和V/S比值（https://pmc.ncbi.nlm.nih.gov/articles/PMC3636065/）在内的三维身体成分指标。为此，我们在超过35,000份英国生物银行（UK Biobank，https://www.nature.com/articles/s41467-020-15948-9）参与者记录上预训练了深度神经网络，并使用包含677名成年人的多样化新队列进行了微调。经过临床队列验证，PhotoScan在体脂百分比估算方面展现出优于基于智能手表的生物电阻抗分析（BIA，https://en.wikipedia.org/wiki/Bioelectrical_impedance_analysis）传感器的准确度，同时突破了BIA技术的局限，能够获取A/G比值和V/S比值，提供了一种可扩展、非侵入性的胰岛素抵抗预测框架，其精度接近DXA。 ## PhotoScan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，绕过了临床测量流程。我们分三个关键阶段构建并评估了该框架： 1. **预训练（英国生物银行队列，N=35,323）**：利用英国生物银行数据集中包含MRI图像和DXA身体成分基准数据的子集，我们以ImageNet（https://doi.org/10.1109/CVPR.2009.5206848）权重初始化ResNet-50骨干网络（https://www.computer.org/csdl/proceedings-article/cvpr/2016/8851a770/12OmNxvwoXv），训练其从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（以DXA扫描为基准）。模型通过最终全连接层融合图像特征与参与者性别、身高、体重及内部BMI，输出目标指标的概率密度函数。 2. **微调（PhotoBIA队列，N=677）**：使用包含真实智能手机照片与DXA基准数据配对的PhotoBIA数据集，通过5折交叉验证微调模型。为增强训练数据，自动关键点检测流程直接从360度参与者视频中选择最优正面和侧面姿态帧。 3. **验证（代谢马赛克队列，N=132）**：在独立队列（https://www.nature.com/articles/s41467-020-15948-9）上评估时，PhotoScan在BF%、A/G比值和V/S比值方面均展现出与DXA数据的高度一致性，实现了接近DXA精度的胰岛素抵抗预测能力。该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DXA、PhotoScan、BIA、人体测量学、12小时空腹血液检测（空腹血糖和胰岛素、完整血脂谱等）以及被动持续Fitbit追踪配对数据。 ## 主要结果 ### 身体成分精度 针对PhotoBIA队列（采用5折交叉验证评估），微调后的PhotoScan模型在体脂百分比预测上的平均绝对误差（MAE）为2.15，而基于BIA的模型MAE为2.91。A/G比值和V/S比值的平均MAE分别为0.107和0.094。在代谢马赛克队列（独立验证）中，BF%、A/G和V/S的MAE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模型在微调与验证数据集间展现出高度一致性。代谢马赛克队列中A/G和V/S的微小降幅源于该队列女性记录占比（67%）高于PhotoBIA队列（57%），由于女性通常因以臀部皮下脂肪为主的脂肪存储模式而呈现较低的绝对A/G和V/S比值，这降低了区域比值的变异性及预测误差。 ### 胰岛素抵抗分类 接下来，我们比较了不同数据组合预测胰岛素抵抗的效果，将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及金标准DXA扫描进行叠加分析。 我们在代谢马赛克队列上测试模型，使用梯度提升分类器识别胰岛素抵抗个体。为确保结果完全无偏且无数据泄露，我们实施了严格的测试流程，在未见数据上反复评估模型。同时确保每个测试组在BMI和胰岛素抵抗状态上均衡分布，以保证性能评估的公平性与现实性。在此稳健框架下，我们系统地向分类器输入五组不同特征集以比较其预测能力：基线人口统计学特征（年龄、性别、BMI）、标准卷尺人体测量数据、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。通过比较模型在不同独立输入下的表现，我们确立了智能手机光学表型分析的临床价值。 为评估模型性能，我们聚焦于两个关键指标：受试者工作特征曲线下面积（AUROC，https://pmc.ncbi.nlm.nih.gov/articles/PMC8831439/）和净重新分类指数（NRI，https://pmc.ncbi.nlm.nih.gov/articles/PMC3918180/）。简言之，AUROC衡量模型区分胰岛素抵抗者与非抵抗者的准确性（数值越高越好）。NRI则量化我们的新数字指标相比传统基线模型在正确分类人群方面的改进程度。如下图所示，基线人口统计学模型AUROC为0.692。当加入基于PhotoScan的身体成分特征（demo + photoscan）后，分类准确率提升至AUROC 0.760，NRI提升至0.593，其效果几乎与临床DXA数据相当（后者AUROC为0.773，NRI为0.748）。相比之下，在人口统计学基础上加入BIA（demo + bia）对胰岛素抵抗分类的AUROC和NRI无改善，因为BIA仅提供BF%估算，而在demo + photoscan模型中，其特征重要性显著低于A/G比值和V/S比值。 ## 结论与展望 总体而言，我们的研究证实了基于智能手机的身体成分估算作为心脏代谢研究可扩展工具的可行性。临床DXA成像能提供最精确的身体成分数据但缺乏可扩展性，而可穿戴BIA传感器虽便捷却仅限于基础体脂百分比估算。我们的PhotoScan方法提供了一条前景广阔的中间路径，能够以接近DXA的精度从标准智能手机图像中估算精细的身体成分。 本研究凸显了数字表型分析如何克服传统人体测量学（如BMI）的关键局限——BMI常忽略身体成分中具有临床意义的变异。我们的研究证明，从智能手机图像进行光学身体成分估算不仅技术可行，且具有临床信息价值。尽管目前仍处于研究原型阶段，该方法为实现便捷、无侵入性的胰岛素抵抗风险筛查指明了方向。 虽然结果令人鼓舞，但身体成分仅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，将身体成分估算与持续可穿戴数据、葡萄糖动态变化及临床血液生物标志物相结合。通过整合这些多样化信号，我们期望为个人代谢健康管理提供更全面、更易得的解决方案。