胰岛素抵抗是现代代谢性疾病中最关键却也最容易被漏诊的驱动因素之一。它在2型糖尿病临床发病前数年便已悄然存在，在空腹血糖升至诊断范围之前，就已持续损害血管健康、肝功能和能量代谢。胰岛素抵抗稳态模型评估（HOMA-IR）在空腹稳态条件下对肝脏葡萄糖生成与胰岛素分泌之间的反馈回路进行建模，根据流行病学综述，HOMA-IR评分高于2.9即被认定为胰岛素抵抗。近期研究表明，将可穿戴传感器数据与常规实验室检测相结合的多模态机器学习框架，能够准确预测HOMA-IR，从而及早识别代谢风险。将身体成分的客观测量纳入其中，可对可穿戴技术形成重要补充：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含量，两者共同构成完整的代谢风险图谱。
了解总体脂百分比是衡量脂肪量与瘦体重的基础，但更多身体成分生物标志物能提供更深层的临床洞察。例如，腹部与臀部脂肪比（A/G比值）用于比较躯干部位（"苹果型"）与臀部及大腿部位（"梨型"）的脂肪分布；内脏脂肪与皮下脂肪面积比（V/S比值）则区分了代谢活跃的器官周围内脏脂肪与皮肤下方的皮下脂肪。A/G比值升高和内脏脂肪量增加与胰岛素抵抗的发生率高度相关。目前，测量身体成分的金标准是双能X射线吸收测量法（DXA）扫描。这一方法精度极高，但费用昂贵、依赖专业临床设备，且需要患者接受低剂量辐射，因此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（如持续心率监测）的能力不断增强，研究团队提出了PhotoScan：一个用于研究的深度学习框架，可直接从标准2D智能手机照片中估算三维身体成分指标，包括体脂百分比（BF%）、A/G比值和V/S比值。为构建该框架，研究者在英国生物银行超过35000名参与者的记录上对深度神经网络进行了预训练，并使用一个包含677名成年人的多元新队列进行了微调。经跨临床队列验证，PhotoScan在体脂百分比预测精度上优于智能手表生物电阻抗分析（BIA）传感器，同时能够提供BIA无法实现的A/G比值和V/S比值估算，为以接近DXA精度预测胰岛素抵抗提供了一种可扩展的无创方案。
PhotoScan通过直接从智能手机图像中提取几何体型信息，绕过了对临床测量的依赖。整个框架分三个核心阶段构建与评估。
在PhotoBIA队列中，通过5折交叉验证评估，微调后的PhotoScan模型在BF%预测上的平均绝对误差（MAE）为2.15，优于BIA模型的2.91；A/G比值的平均MAE为0.107，V/S比值为0.094。在MetabolicMosaic独立验证队列中，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模型在微调数据集与验证数据集之间表现出较强的一致性。MetabolicMosaic队列中A/G和V/S的轻微误差降低，源于该队列女性记录比例较高（67%，而PhotoBIA队列为57%），女性由于以臀股部位皮下脂肪储存为主，A/G和V/S绝对值普遍偏低，区域比值方差较小，预测误差也相应降低。
研究进一步对比了不同数据组合对胰岛素抵抗预测能力的差异，将基础人口统计信息分别与标准卷尺测量值、智能手表BIA传感器、PhotoScan以及金标准DXA扫描相结合，进行系统比较。
研究团队在MetabolicMosaic队列上使用梯度提升分类器识别胰岛素抵抗受试者。为确保结果完全无偏且无数据泄露，研究实施了严格的测试流程，对未见数据进行反复评估，并按BMI和胰岛素抵抗状态对每个测试组进行均衡处理，以保证测试的公平性和现实性。
评估指标方面，研究关注两个核心指标：受试者工作特征曲线下面积（AUROC）和净重新分类改善指数（NRI）。AUROC衡量模型区分胰岛素抵抗患者与非患者的准确性（越高越好）；NRI则量化了新的数字化指标相比基线模型在人群分类准确性上的具体提升幅度。结果显示，基础人口统计模型的AUROC为0.692；加入PhotoScan身体成分特征后（人口统计+PhotoScan），分类准确率提升至AUROC 0.760，NRI达到0.593，与使用临床DXA数据的效果相近——后者的AUROC为0.773，NRI为0.748。相比之下，将BIA与人口统计结合（人口统计+BIA）在AUROC和NRI上均未带来改善，原因在于BIA仅能估算体脂百分比，而在人口统计+PhotoScan模型中，A/G比值和V/S比值的特征重要性远高于体脂百分比。
综合来看，研究结果表明，基于智能手机的身体成分估算作为心脏代谢研究的可扩展工具具有切实可行性。临床DXA成像精度最高但缺乏可扩展性；可穿戴BIA传感器使用方便但仅限于基本体脂百分比；PhotoScan方案则提供了一个有前景的折中路径，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指标。
这项研究表明，数字表型分析能够弥补BMI等传统人体测量指标的关键不足——后者往往遗漏身体成分中具有临床意义的差异。研究证明，从智能手机图像中进行光学身体成分估算在技术上可行，且具有临床参考价值。尽管目前仍处于研究原型阶段，这一方向为普及化、无创化的胰岛素抵抗风险筛查提供了切实可行的路径。
尽管上述结果令人鼓舞，但身体成分仅是心脏代谢健康的组成部分之一。未来研究将探索多模态数据整合，将身体成分估算与持续可穿戴数据、血糖动态及临床血液生物标志物相结合，以期为个人代谢健康管理提供更全面、更便捷的支持手段。
本研究使用英国生物银行资源，申请编号65275；使用Pixel手机摄影及智能手表BIA对照DXA采集数据，IRB编号Pro00065782；132名个体参与纵向研究，IRB批准编号20241060。
Q&A
Q1：PhotoScan是什么？它是如何估算身体成分的？
A：PhotoScan是一个用于研究的深度学习框架，能够直接从标准2D智能手机照片中估算三维身体成分指标，包括体脂百分比、腹部与臀部脂肪比（A/G比值）以及内脏与皮下脂肪面积比（V/S比值）。它通过从图像中提取几何体型信息来实现这一点，无需临床测量设备。模型在英国生物银行超过35000名参与者的数据上进行了预训练，并在677名成年人的多元队列上进行了微调。
Q2：PhotoScan的预测准确度和DXA扫描相比怎么样？
A：在胰岛素抵抗分类任务中，单独使用人口统计信息的基础模型AUROC为0.692；加入PhotoScan指标后提升至0.760，NRI达到0.593；而使用金标准DXA数据的模型AUROC为0.773，NRI为0.748。可见PhotoScan的准确性与DXA非常接近，同时在体脂百分比预测精度上也优于智能手表BIA传感器，且能提供BIA无法给出的A/G和V/S比值。
Q3：为什么A/G比值和V/S比值比单纯的体脂百分比更能预测胰岛素抵抗？
A：体脂百分比只反映整体脂肪量，而A/G比值和V/S比值能揭示脂肪的分布位置，这在代谢层面意义更为重大。腹部和内脏周围的脂肪（即"苹果型"分布）具有更强的代谢活性，与胰岛素抵抗的相关性远高于臀股部位或皮下脂肪。研究模型结果也印证了这一点：在预测胰岛素抵抗时，A/G和V/S比值的特征重要性显著高于体脂百分比，这也是BIA仅凭体脂百分比无法改善分类效果的原因。
热门跟贴