Google 正在测试使用手机照片来筛查胰岛素抵抗

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) 在8月17日重点介绍了 PhotoScan，这是一种通过智能手机图像估计身体成分并利用这些估计来帮助分类胰岛素抵抗的深度学习方法。Google 的核心主张异常具体：在一个临床研究队列中，使用 PhotoScan 数据的模型的表现几乎与使用来自双能X射线吸收法扫描仪（dual-energy X-ray absorptiometry，或 DXA）的测量值的模型一样。X 上的公告 在基础研究于3月27日首次提交并在4月6日修订数月后发布。

该比较需要仔细解析。PhotoScan 并没有直接从随意拍摄的照片诊断胰岛素抵抗，手机相机也未复制 DXA 扫描的所有输出。研究人员首先估计了三项身体成分指标：总体脂肪百分比、腹部与臀部区域脂肪之比，以及内脏脂肪与皮下脂肪之比。随后一个独立的分类器将这些估计值与人口统计学输入结合，以预测胰岛素抵抗状态。

在研究论文中，使用年龄、性别和体重指数的模型产生的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，或 AUROC）为0.692。加入 PhotoScan 的估计值后，该结果上升到0.760。将照片得出的测量值替换为实际 DXA 数据时，AUROC 为0.773。这个小差距支撑了 Google 将其与 DXA 进行比较的说法，同时 0.760 的分数仍然留下了相当大的分类错误空间。(arxiv.org)

PhotoScan 实际观察到的内容

PhotoScan 使用参与者的正面和侧面视图以及性别、身高和体重。最后一项细节很重要，因为系统并非仅从图像像素得出结论。BMI 是由提供的身高和体重计算得出，然后与图像模型提取的特征组合在一起。

Google 的研究人员分两阶段构建了 PhotoScan。他们使用来自 35,323 名 UK Biobank 参与者的数据对 ResNet-50 神经网络进行了预训练。训练过程将三维 MRI 数据转换为配对的二维投影，且以相应的 DXA 测量作为参考值。研究人员随后在另一个包含 677 名具备智能手机影像和 DXA 数据的被试队列上对模型进行了微调。(arxiv.org)

在该微调队列中，PhotoScan 对总体脂肪百分比的估计平均绝对误差为 2.15 个百分点。论文指出，仅基于人口统计信息的模型误差为 3.44 个百分点。PhotoScan 还估计了 BMI 无法表示的脂肪分布指标，包括腹部与下半身脂肪之间的平衡。

研究人员在独立的 MetabolicMosaic 队列（132 名参与者）上测试了冻结的模型。总体脂肪百分比误差保持在 2.13 个百分点的相似水平。这种一致性支持了 PhotoScan 所学特征能够超出微调样本迁移的结论。但用于下游胰岛素抵抗测试的独立队列规模仍然较小。(arxiv.org)

与 DXA 的比较含义有限

胰岛素抵抗分析包括 195 条就诊级别的数据集：其中 47 条被分类为胰岛素抵抗，148 条被分类为胰岛素敏感或敏感性受损。研究人员使用基于空腹胰岛素和葡萄糖的计算 HOMA-IR 作为参考标签。他们在交叉验证时将同一参与者的记录分开，以减少训练集与评估集之间的信息泄漏。

PhotoScan 最有用的强信号是估计的腹部与臀部区域脂肪之比。该指标在研究中与胰岛素抵抗的关系比总体脂肪百分比更强且更一致。该结果与研究团队的更广泛论点相吻合：脂肪存储的位置可能揭示出体重与身高计算所无法发现的代谢风险。

研究设计仍与消费者在家中拍照的方式不同。微调过程使用了从参与者视频中提取的选定正面和侧面帧，姿势和相机位置受控。论文描述了尽量少穿衣物的成像，以便模型能够观察体形和脂肪分布。报告的结果并未证明在随意构图的照片、宽松衣物、变化的光照或不同相机条件下的性能。

Google 也将 PhotoScan 作为研究而非消费或临床产品来呈现。论文支持在更大的人群和部署条件下进行测试；它并未证明手机照片能够取代扫描、血液检测或对个体患者的临床评估。

战略方向很明确。Google 一直在构建将常见消费传感器转化为健康研究工具的方法，包括使用可穿戴设备和常规血液生物标志物预测胰岛素抵抗的工作和基于相机的心率测量。PhotoScan 将这种方法从生理信号扩展到体形。(research.google)

基于手机的身体成分筛查将比医学影像更便宜、更易于分发。但它也需要大规模收集高度敏感的身体照片和生物识别推断。从研究到产品的任何路径都将取决于模型在受控成像会话之外是否仍然有效，以及 Google 是否能使该数据收集为患者、临床医生和监管机构所接受。