Кардиометаболические заболевания развиваются годами без симптомов задолго до того, как стандартные диагностические маркеры потребуют клинического вмешательства. Снижение чувствительности к инсулину нарушает работу сосудов, печени и базовый метаболический баланс задолго до повышения уровня сахара в крови натощак. Двухэнергетическая рентгеновская абсорбциометрия (DXA) считается золотым стандартом оценки распределения жировой ткани, однако высокая стоимость, необходимость больничной инфраструктуры и дозовая лучевая нагрузка мешают ее массовому применению в скрининге. Чтобы устранить эти диагностические барьеры, Google Research представила PhotoScan — экспериментальную систему глубокого обучения, предназначенную для извлечения клинически значимых биомаркеров состава тела напрямую из обычных 2D-фотографий со смартфона.
Архитектура глубокого обучения для анализа жировой ткани
Традиционные метрики вроде индекса массы тела (ИМТ) сводят сложную анатомию к грубому соотношению роста и веса, скрывая реальное распределение жировой ткани по ключевым анатомическим зонам. Хотя общий процент жира отражает баланс между жировой и безжировой массой, именно локальные маркеры дают глубокое понимание метаболических рисков. Андроидно-гиноидное соотношение (A/G) сопоставляет объем жира на туловище с периферическим жиром на бедрах, а висцерально-подкожное соотношение (V/S) отделяет глубокий жир вокруг органов от подкожного слоя. Как отметили в своем исследовании ученые Google Research Кэсси Чжоу и Ахмед Метвалли:
«Мы продемонстрировали возможность системы PhotoScan — метода глубокого обучения, оценивающего состав тела по снимкам со смартфона, — прогнозировать инсулинорезистентность с точностью, сопоставимой с DXA-сканированием в условиях клинических исследований».
Высокие показатели соотношения A/G и отложения висцерального жира напрямую связаны с развитием инсулинорезистентности, поэтому их неинвазивная фиксация стала приоритетом для масштабного скрининга. Базовую нейросеть исследователи предварительно обучили на более чем 35 000 записей участников из Британского биобанка (UK Biobank).
Обучение на мультикогортных данных и клиническая валидация
Для адаптации моделей к обычным снимкам со смартфонов авторы дообучили архитектуру на репрезентативной выборке из 677 взрослых добровольцев. Благодаря этому PhotoScan превзошел умные часы по точности определения общего процента жира, а также стал оценивать соотношения A/G и V/S с клинической стабильностью.
В эпидемиологии для расчета базальной продукции глюкозы печенью и секреции инсулина применяется индекс HOMA-IR, где значение выше 2,9 служит порогом инсулинорезистентности. В клинических когортах PhotoScan показал высокую согласованность с эталонными радиологическими стандартами при прогнозировании метаболических нарушений на основе анатомических параметров.
Разработка доказывает, что стандартные камеры смартфонов в сочетании с глубокими нейросетями способны фиксировать сложные морфологические маркеры нарушений обмена веществ без дорогостоящего оборудования. Тем не менее система пока остается исследовательским инструментом, проверенным в контролируемых условиях: вопросы устойчивости алгоритмов при плохом освещении, разной одежде и оптике бытовых камер еще предстоит решить. Внедрение компьютерного зрения в метаболический скрининг сократит разрыв между пассивными трекерами и инвазивными анализами, но коммерческий запуск потребительских диагностических платформ потребует масштабных длительных испытаний на различных демографических группах.