PhotoScan: ИИ-оценка состава тела по фото
Исследовательская работа представляет PhotoScan — нейросетевую систему, которая по обычным фотографиям смартфона оценивает процент жира, соотношения A/G и V/S и предсказывает инсулинорезистентность с точностью, близкой к DXA.
machine-learning
body-composition
insulin-resistance
smartphone-imaging
digital-phenotyping
deep-learning
metabolic-health
dxa-comparison
privacy
Эта заметка участвует в semantic memory.
AI Summary
- Короткий обзор сути: PhotoScan — это deep-learning фреймворк, который по двум 2D-снимкам смартфона (фронтальный и латеральный) предсказывает три метрики состава тела: body fat percentage (BF%), Android-to-Gynoid fat ratio (A/G) и Visceral-to-Subcutaneous fat area ratio (V/S). Система обучена на 35 323 записях UK Biobank и дообучена на 677 реальных участниках, а независимая валидация проведена на 132 человек из MetabolicMosaic. 2) Ключевые тезисы: HOMA-IR > 2.9 считается порогом инсулинорезистентности; PhotoScan даёт MAE BF% = 2.15 (против 2.91 у BIA), MAE A/G = 0.107, MAE V/S = 0.094; добавление PhotoScan-метрик к демографии повышает AUROC с 0.692 до 0.760 и NRI до 0.593, почти достигая уровня DXA (AUROC 0.773, NRI 0.748); BIA не даёт прироста точности, поскольку не оценивает A/G и V/S. 3) Важные детали и нюансы: ResNet-50 backbone, ImageNet-предобучение, 5-fold cross-validation, автоматическое детектирование позы из 360° видео; валидация проводилась на 30-недельном лонгитюдном исследовании в Сан-Франциско с парными данными DXA, PhotoScan, BIA, антропометрии, 12-часового голодания и Fitbit; более высокая доля женщин в MetabolicMosaic (67 % vs 57 %) снизила дисперсию A/G и V/S и, соответственно, MAE. 4) Практические выводы/следующие шаги: PhotoScan предлагает масштабируемую, неинвазивную альтернативу DXA для скрининга инсулинорезистентности; следующий этап — мультимодальная интеграция с непрерывными данными носимых устройств, глюкозой и лабораторными маркерами.