超越 BMI：Google PhotoScan 運用手機影像精準評估心臟代謝風險

胰島素阻抗是現代代謝疾病最關鍵卻常被低估的驅動因素之一。在第二型糖尿病臨床發作前數年，受損的胰島素敏感性便會悄悄地損害血管健康、肝功能和能量代謝，遠在空腹血糖升高到診斷範圍之前。

「胰島素阻抗穩態模型評估」（HOMA-IR）模擬了在穩定空腹狀態下，肝臟葡萄糖生成與胰島素分泌之間的負回饋迴路。根據流行病學回顧，HOMA-IR 分數大於 2.9 即被視為具有胰島素阻抗。

最近的研究表明，整合穿戴式感測器數據與常規實驗室檢測的多模態機器學習框架，能準確預測 HOMA-IR 以標示早期代謝風險。將客觀的身體組成測量納入考量，為穿戴式技術提供了重要的補充。

穿戴式裝置追蹤日常生理行為，而身體組成則提供了獨特的脂肪量結構評估，以形成完整的代謝風險圖像。

雖然了解總體脂百分比是衡量脂肪量與瘦肉量的良好基準，但額外的身體組成生物標記能提供更深入的臨床見解。例如，「男性型脂肪與女性型脂肪比」（A/G ratio）比較了軀幹（「蘋果型」身材）與臀部和大腿（「梨型」身材）儲存的脂肪。

「內臟脂肪與皮下脂肪面積比」（V/S ratio）則區分了圍繞器官的高度代謝性內臟脂肪，以及儲存在皮膚下方的皮下脂肪。A/G 比例升高和內臟脂肪量增加與胰島素阻抗的盛行率密切相關。

目前，測量真實身體組成的黃金標準是「雙能量 X 光吸收儀」（DXA）掃描。這些掃描非常精確，但不適合日常篩檢，因為它們價格昂貴、需要專業的臨床基礎設施，並會讓患者接觸到低劑量輻射。

鑑於智慧型手機在日常使用中被動監測用戶健康的能力日益增強，例如連續心率監測，我們推出了 PhotoScan。這是一個實驗性的深度學習框架，能直接從標準 2D 智慧型手機照片估計三維身體組成指標，包括體脂百分比（BF%）、A/G 比例和 V/S 比例。

為了建立 PhotoScan，我們在來自 UK Biobank 超過 35,000 名參與者的記錄上預訓練了一個深度類神經網路，並使用一個包含 677 名成年人的多元新研究隊列進行了微調。PhotoScan 經過多個臨床研究隊列驗證，顯示出比智慧手錶生物電阻抗分析（BIA）感測器更高的體脂百分比準確度。

同時，它還能提供超越 BIA 能力的 A/G 和 V/S 比例，提供了一個可擴展、非侵入性的框架，能以接近 DXA 的準確度預測胰島素阻抗。

PhotoScan 透過直接從智慧型手機影像中提取幾何身體資訊，繞過了臨床測量。我們分三個關鍵階段建立並評估了這個框架：

預訓練（UK Biobank，N = 35,323）：我們使用 UK Biobank 資料集的一個子集，其中包含 MRI 影像和來自 DXA 的身體組成真實數據。我們訓練了一個 ResNet-50 主幹網路（以 ImageNet 權重初始化），從 3D MRI 掃描生成的 2D 正面和側面投影影像中預測身體組成指標，並以 DXA 掃描作為真實數據。

該模型將影像特徵與參與者的性別、身高、體重和內部 BMI 透過最終的密集層融合，以輸出目標指標的機率密度函數。

微調（PhotoBIA 研究隊列，N = 677）：我們使用 PhotoBIA 資料集，透過 5 折交叉驗證，利用真實世界的智慧型手機照片與 DXA 真實數據配對來微調模型。為了擴充訓練數據，自動化地標檢測流程直接從 360 度參與者影片中選擇了最佳的正面和側面姿勢幀。

驗證（MetabolicMosaic 研究隊列，N = 132）：在一個獨立的研究隊列上進行評估，PhotoScan 在體脂百分比、A/G 比例和 V/S 比例方面實現了與 DXA 的高度一致性，使得預測胰島素阻抗的準確度接近 DXA。

這個獨立的驗證資料集來自舊金山一項為期 30 週的縱向試驗，參與者擁有完整的配對數據，涵蓋了 DXA、PhotoScan、BIA、人體測量學、12 小時空腹血液實驗室檢查（空腹血糖和胰島素、完整血脂分析等），以及被動連續的 Fitbit 追蹤數據。

身體組成準確度

對於 PhotoBIA 研究隊列，透過 5 折交叉驗證進行評估，經過微調的 PhotoScan 模型在整個 PhotoBIA 研究隊列中，體脂百分比預測的平均絕對誤差（MAE）為 2.15，而基於 BIA 的模型則達到 2.91。A/G 的平均 MAE 為 0.107，V/S 為 0.094。

對於 MetabolicMosaic 研究隊列（獨立驗證），體脂百分比、A/G 和 V/S 的 MAE 都與 PhotoBIA 研究隊列相當（體脂百分比為 2.13，A/G 為 0.085，V/S 為 0.085）。總體而言，經過微調的 PhotoScan 模型在微調和驗證資料集之間展現出高度一致性。

在 MetabolicMosaic 研究隊列中觀察到的 A/G 和 V/S 輕微下降，是由於其女性記錄比例（67%）高於 PhotoBIA 研究隊列（57%）所致。女性通常由於主要為女性型、皮下脂肪儲存，導致 A/G 和 V/S 的絕對比例較低，這減少了區域比例的變異性及預測誤差。

胰島素阻抗分類

接下來，我們比較了不同數據組合預測胰島素阻抗的表現，將我們的基準人口統計數據與標準捲尺測量、智慧手錶 BIA 感測器、PhotoScan 和黃金標準 DXA 掃描的組合進行對比。

我們在 MetabolicMosaic 研究隊列上使用梯度提升分類器測試了我們的模型，以識別具有胰島素阻抗的受試者。為確保結果完全公正且無數據洩漏，我們實施了嚴格的測試流程，重複評估模型在未見數據上的表現。

我們還確保每個測試組在 BMI 和胰島素阻抗狀態上都均勻平衡，以確保公平且實際的性能測試。有了這個穩健的框架，我們系統地向分類器輸入了五組不同的特徵集，以比較它們的預測能力：包括年齡、性別和身體質量指數等基準人口統計數據、標準捲尺人體測量學、智慧手錶生物電阻抗、我們的智慧型手機 PhotoScan 指標，以及臨床黃金標準 DXA 掃描。

透過比較模型在這些獨立輸入下的表現，我們確立了智慧型手機光學表型分析的臨床價值。

為了評估我們的模型，我們專注於兩個關鍵指標：「受試者操作特徵曲線下面積」（AUROC）和「淨重新分類指數」（NRI）。簡單來說，AUROC 衡量模型區分胰島素阻抗患者與非患者的準確度（越高越好）。

另一方面，NRI 則量化了我們新的數位指標相較於舊的基準模型，在正確分類人群方面的改進程度。如下圖所示，我們的基準人口統計模型實現了 0.692 的 AUROC。

當我們添加基於 PhotoScan 的身體組成特徵（人口統計 + PhotoScan）時，分類準確度提高到 AUROC 0.760，NRI 提高到 0.593，幾乎與使用臨床 DXA 數據本身一樣有效，DXA 的 AUROC 最高為 0.773，NRI 為 0.748。

相比之下，將 BIA 與人口統計數據結合（人口統計 + BIA）在胰島素阻抗分類的 AUROC 或 NRI 上沒有任何改善，因為 BIA 僅提供體脂百分比估計，其特徵重要性在人口統計 + PhotoScan 模型中顯著低於 A/G 比例和 V/S 比例。

結論與未來方向

總體而言，我們的研究結果證明了基於智慧型手機的身體組成估計作為心臟代謝研究的可擴展工具的可行性。臨床 DXA 影像提供了最準確的身體組成數據，但缺乏可擴展性。

而穿戴式 BIA 感測器雖然方便，但僅限於基本的體脂百分比。我們的 PhotoScan 方法提供了一個有前景的折衷方案，能從標準智慧型手機影像中估計細緻的身體組成，準確度接近 DXA。

最終，這項研究強調了數位表型分析如何解決傳統人體測量學（如 BMI）的關鍵限制，這些方法經常錯過身體組成中具有臨床意義的變異。我們的研究表明，從智慧型手機影像進行光學身體組成估計在技術上可行且具有臨床資訊價值。

儘管仍是一個研究原型，但這種方法為胰島素阻抗風險的無障礙、非侵入性篩檢指明了一條道路。

儘管這些結果令人鼓舞，但身體組成只是心臟代謝健康的一個組成部分。展望未來，我們的研究旨在探索多模態數據整合，將身體組成估計與連續穿戴式數據、葡萄糖動態和臨床血液生物標記結合起來。

透過將這些多樣化的訊號匯集在一起，我們希望支持更全面、更易於獲取的個人代謝健康管理方法。