Google prueba fotos de teléfono como método de detección de la resistencia a la insulina

Why it matters

PhotoScan could make richer metabolic-risk screening cheaper than clinical imaging, but the evidence comes from controlled research cohorts rather than real-world consumer use.

Google Research (@GoogleResearch) el 17 de agosto destacó PhotoScan, un método de aprendizaje profundo que estima la composición corporal a partir de imágenes de smartphone y usa esas estimaciones para ayudar a clasificar la resistencia a la insulina. La afirmación central de Google es extraordinariamente específica: en una cohorte de investigación clínica, un modelo que usó datos de PhotoScan rindió casi igual que otro alimentado con mediciones de un escáner de absorciometría dual de rayos X, o DXA. El anuncio en X llegó meses después de que la investigación subyacente se enviara por primera vez el 27 de marzo y se revisara el 6 de abril.

La comparación necesita un análisis cuidadoso. PhotoScan no diagnosticó la resistencia a la insulina directamente a partir de una fotografía casual, y la cámara del teléfono no reprodujo todas las salidas de un escaneo DXA. Los investigadores primero estimaron tres medidas de composición corporal: porcentaje total de grasa corporal, la proporción de grasa en el área abdominal respecto al área de las caderas, y la proporción de grasa visceral respecto a la subcutánea. Un clasificador separado luego combinó esas estimaciones con entradas demográficas para predecir el estado de resistencia a la insulina.

En el artículo de investigación, el modelo que usó edad, sexo e índice de masa corporal produjo un área bajo la curva de la característica operativa del receptor, o AUROC, de 0.692. Añadir las estimaciones de PhotoScan elevó ese resultado a 0.760. Reemplazar las mediciones derivadas de la foto con datos reales de DXA produjo un AUROC de 0.773. La pequeña brecha sustenta la comparación de Google con DXA, mientras que la puntuación de 0.760 aún deja un margen sustancial para errores de clasificación. (arxiv.org)

Lo que PhotoScan realmente ve

PhotoScan usa vistas frontal y lateral de un participante junto con sexo, altura y peso. Ese último detalle importa porque el sistema no está sacando sus conclusiones solo de los píxeles de imagen. El BMI se calcula a partir de la altura y el peso proporcionados, y luego se combina con características extraídas por el modelo de imagen.

Los investigadores de Google construyeron PhotoScan en dos etapas. Preentrenaron una red neuronal ResNet-50 usando datos de 35,323 participantes del UK Biobank. El proceso de entrenamiento convirtió datos de resonancia magnética tridimensional en proyecciones bidimensionales apareadas, con las mediciones correspondientes de DXA sirviendo como valores de referencia. Los investigadores luego ajustaron finamente el modelo en una cohorte separada de 677 personas que tenían imágenes de smartphone y datos de DXA. (arxiv.org)

En esa cohorte de ajuste fino, PhotoScan estimó el porcentaje de grasa corporal con un error absoluto medio de 2.15 puntos porcentuales. Un modelo basado solo en información demográfica tuvo un error de 3.44 puntos, según el artículo. PhotoScan también estimó medidas de distribución de grasa que el BMI no puede representar, incluyendo el equilibrio entre la grasa abdominal y la grasa de la parte inferior del cuerpo.

Los investigadores probaron el modelo congelado en la cohorte independiente MetabolicMosaic de 132 participantes. El error en el porcentaje de grasa corporal se mantuvo similar en 2.13 puntos. Esa consistencia respalda la idea de que PhotoScan aprendió características que se transfirieron más allá de su muestra de ajuste fino. La cohorte independiente siguió siendo modesta, particularmente para la prueba posterior de resistencia a la insulina. (arxiv.org)

La comparación con DXA tiene un significado limitado

El análisis de resistencia a la insulina incluyó 195 conjuntos de datos a nivel de visita: 47 clasificados como resistentes a la insulina y 148 clasificados como sensibles a la insulina o con sensibilidad disminuida. Los investigadores usaron HOMA-IR, un cálculo basado en la insulina y la glucosa en ayunas, como etiqueta de referencia. Separaron registros del mismo participante durante la validación cruzada para reducir la filtración entre los conjuntos de entrenamiento y evaluación.

La señal útil más fuerte de PhotoScan fue la proporción estimada de grasa abdominal respecto al área de las caderas. Esa medida mostró una relación más fuerte y consistente con la resistencia a la insulina que el porcentaje total de grasa corporal en el estudio. El resultado coincide con la tesis más amplia del equipo de investigación: dónde se almacena la grasa puede revelar un riesgo metabólico que un cálculo de peso y estatura pasa por alto.

El diseño del estudio aún difiere de la forma en que un consumidor tomaría fotografías en casa. El proceso de ajuste fino usó cuadros frontales y laterales seleccionados extraídos de videos de los participantes, con poses y colocación de cámara controladas. El artículo describe imágenes con ropa mínima para que el modelo pueda observar la forma del cuerpo y la distribución de la grasa. El desempeño con fotografías tomadas de forma casual, ropa suelta, iluminación variada o cámaras distintas no quedó establecido por los resultados reportados.

Google también presentó PhotoScan como investigación más que como un producto de consumo o clínico. El artículo respalda pruebas en poblaciones y condiciones de despliegue más grandes; no establece que una fotografía tomada con un teléfono pueda reemplazar un escaneo, un análisis de sangre o la evaluación de un clínico para un paciente individual.

La dirección estratégica es clara. Google ha estado construyendo métodos que convierten sensores de consumo comunes en instrumentos de investigación en salud, incluyendo trabajo que usa wearables y biomarcadores sanguíneos rutinarios para predecir la resistencia a la insulina y la medición de la frecuencia cardíaca basada en cámara. PhotoScan extiende ese enfoque desde señales fisiológicas a la forma corporal. (research.google)

Una evaluación de composición corporal basada en teléfono sería más barata y más fácil de distribuir que la imagen médica. También requeriría recolectar fotografías corporales altamente sensibles e inferencias biométricas a gran escala. Cualquier camino desde el estudio de investigación hasta un producto dependerá de si el modelo se mantiene fuera de sesiones de imagen controladas y de si Google puede hacer que la recolección de esos datos sea aceptable para pacientes, clínicos y reguladores.