超越BMI：Google用智能手机影像预测代谢风险
Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery
胰岛素抵抗往往在糖尿病确诊前数年就已潜伏，而传统的BMI指标难以捕捉这一风险。Google团队推出了PhotoScan框架，利用深度学习技术，仅凭普通智能手机拍摄的照片，就能精准估算体脂率、Android-to-Gynoid脂肪比（A/G ratio）以及Visceral-to-Subcutaneous脂肪面积比（V/S ratio）。研究在UK Biobank数据上预训练，并在独立队列中验证，结果显示PhotoScan在预测胰岛素抵抗方面，其准确度已接近临床金标准DXA扫描，且远优于智能手表上的生物电阻抗分析（BIA）。这项技术为大规模、非侵入性的代谢健康筛查提供了极具潜力的新路径。
我们的研究发现，智能手机光学表型分析能够有效解决传统人体测量学（如BMI）的关键局限，因为后者经常忽略具有临床意义的身体成分变化。
HN 评论区
33- faangguyindia
要超越基于智能手表的身体成分分析（利用生物阻抗分析技术）并不算什么了不起的成就，因为那种单点粗糙传感器的准确度，远低于采用相同技术但属于生产级、多节段、多频段的 InBody 机器。
Google PhotoScan（约 2.1 个点的平均绝对误差）可能将其定位在 DXA 和由熟练操作员操作的多点皮褶厚度计之间，并且远高于美国海军围度法、消费级 BIA（带手柄的智能体脂秤）以及操作不当的皮褶厚度计。
但我记得微软的一篇研究论文：
>2022 年，一个与微软研究院相关的团队发表了《基于智能手机摄像头的肥胖度评估》。他们的视觉身体成分（VBC）系统利用普通智能手机照片加上 CNN，以 DXA 为基准预测体脂百分比。在一个 134 人、双站点的验证队列中，其平均绝对误差为 2.16 ± 1.54 个百分点，与 DXA 的一致性系数（CCC）为 0.96。
所以从 2022 年到 2026 年，我们仍然没有一个能真正造福大众的模型。
这可以帮助许多目前使用那些仅仅封装了 Gemini Flash 来检测“体脂”的 App 的人。
不幸的是，这些模型、代码或训练数据都没有免费公开。
这些公司正在严重阻碍公共利益的实现。目前，在美国做一次 DXA 扫描需要支付 50 美元，在印度则需要 1,500-4,000 卢比。
在贫困国家，绝大多数人可能负担不起 DXA 扫描，如果这些模型能公开，我们或许甚至能设置一个配备更好摄像头的“照相亭”……
- jerlam
Amazon Halo 五年前做过类似的事情：
https://www.amazon.science/latest-news/the-science-behind-th...
最近一项尚未发表结果的临床研究表明，以 DXA 为金标准，[Amazon Halo 的] Body 在测量体脂百分比（BFP）时的准确度几乎是智能体脂秤的两倍。
当时在 HN 上的一些讨论：https://news.ycombinator.com/item?id=24295779
- kamranjon
我想知道保险公司会不会用这个来决定保费？