Google 本周公布深度學習技術 Google PhotoScan，嘗試利用標準智慧型手機拍攝的 2D 影像，估算人體 3D 身體組成，進一步預測胰島素阻抗風險。這項技術目前仍處於原型階段，研究方向是以較容易取得、非侵入式的手機影像，補充現有心血管與新陳代謝健康評估工具。
以體脂組成推估胰島素阻抗
胰島素阻抗是指身體細胞對胰島素的敏感度降低，可能造成血糖波動並增加第二型糖尿病風險。研究指出，在糖尿病確診前數年，胰島素阻抗便可能對血管健康、肝臟功能與整體新陳代謝產生影響。
常用的體內平衡模型評估（HOMA-IR）若數值大於 2.9，通常會被視為具有胰島素阻抗。飲食習慣、缺乏運動與較高體脂率，則是相關風險因子。除了整體體脂率，軀幹與臀腿脂肪比（A/G ratio），以及內臟與皮下脂肪面積比（V/S ratio），也與胰島素阻抗盛行率呈現高度相關。
PhotoScan 如何訓練與驗證
Google 將 PhotoScan 設計為一套深度學習框架，從一般智慧型手機相片估算體脂率（BF%）、A/G ratio 與 V/S ratio。研究團隊先利用 UK Biobank 約 3.5 萬名參與者的紀錄，預訓練以 ResNet-50 為基礎的深度神經網路，再使用 677 名多元人種成人的資料進行微調。這批資料包含實際手機相片、DXA 測量值，並搭配交叉驗證。
完成訓練後，研究團隊再以獨立群組的 132 名受試者進行驗證，並將結果與市售穿戴式產品所採用的生物電阻抗分析（BIA）模型比較。
體組成估算結果
在身體組成估算方面，平均絕對誤差（MAE）越低代表表現越好。PhotoScan 與 BIA 模型的結果如下：
| 評估項目 | PhotoScan | 市售 BIA 模型 |
|---|---|---|
| 體脂率（BF%）MAE | 2.15 | 2.91 |
| 軀幹與臀腿脂肪比（A/G）MAE | 0.107 | 無法量測 |
| 內臟與皮下脂肪面積比（V/S）MAE | 0.094 | 無法量測 |
在獨立驗證群組中，PhotoScan 的 MAE 分別為體脂率 2.13、A/G ratio 0.085，以及 V/S ratio 0.085。這些結果顯示，手機影像除了估算整體體脂，也可能提供脂肪分布相關資訊。
胰島素阻抗辨識能力接近 DXA
研究團隊以 AUROC 評估胰島素阻抗辨識能力，數值越接近 1.0，通常代表分類表現越好。將年齡、性別等人口特質與 PhotoScan 結合後，AUROC 為 0.760，淨重新分類改善（NRI）為 0.593。
作為體脂分布量測黃金標準的雙能量 X 射線吸收儀（DXA），AUROC 則為 0.773，NRI 為 0.748。相較之下，在人口特質資料中加入 BIA 體脂資訊，並未改善胰島素阻抗辨識的 AUROC 與 NRI 表現。
DXA 精準但成本與擴充性受限
目前體脂分布的臨床黃金標準是 DXA 掃描。這種方法通常具有較高精準度，但需要專業臨床設備，成本較高，且受測者會暴露於低劑量輻射，因此不容易大規模普及。
穿戴式裝置搭載的 BIA 感測器則相對容易取得，但主要提供基礎體組成量測。研究團隊表示，手機相片為基礎的體組成評估，可能成為心血管與新陳代謝研究的擴充工具，並在可及性與非侵入性方面補足傳統方法的限制。
仍需更多臨床與多模態資料驗證
目前沒有資料顯示 PhotoScan 已成為可供一般消費者使用的醫療產品，其研究結果也不代表手機相片能取代 DXA 或血液檢測。從現有數據來看，PhotoScan 的胰島素阻抗辨識表現接近 DXA，但兩者的 AUROC 與 NRI 仍有差異，且模型的應用範圍與臨床效益仍需要更多研究確認。
Google 計畫持續研究整合體組成評估、持續穿戴式感測器資料、血糖動力學，以及臨床血液生物標記的多模態模型。這項方向延續 Google 先前探索以類似隱形眼鏡的裝置分析淚液組成、推估血糖的研究，顯示該公司仍在尋找非侵入式健康監測與代謝疾病風險評估的方法。
Reference Link : ithome.com.tw
