Cassie Zhou — научный сотрудник, Ahmed Metwally — старший научный сотрудник Google Research.
Инсулинорезистентность относится к главным, но часто не выявляемым причинам современных метаболических заболеваний. Снижение чувствительности к инсулину может годами предшествовать диабету 2-го типа, постепенно ухудшая состояние сосудов, работу печени и энергетический обмен — ещё до того, как уровень глюкозы натощак выйдет за диагностические пределы.
Для оценки инсулинорезистентности используют модель гомеостаза HOMA-IR, которая описывает взаимосвязь между выработкой глюкозы печенью и секрецией инсулина при стабильном голодании. По данным эпидемиологических обзоров, показатель HOMA-IR выше 2,9 указывает на инсулинорезистентность. Недавние исследования показали, что мультиагентные системы, объединяющие данные носимых устройств и стандартных лабораторных анализов, могут предсказывать HOMA-IR и выявлять ранний метаболический риск.
Показатели состава тела дополняют данные носимых устройств. Носимая электроника отслеживает повседневные физиологические процессы, а состав тела даёт отдельную структурную оценку жировой ткани.
Что оценивает PhotoScan
Процент жира — базовый показатель соотношения жировой и безжировой массы, но дополнительные характеристики состава тела дают больше клинической информации. Соотношение жира в области туловища и бёдер, или A/G, показывает, где преимущественно накапливается жир: в верхней части тела, формируя условную «форму яблока», или в области бёдер, соответствуя «форме груши». Соотношение площади висцерального и подкожного жира, V/S, различает метаболически активный жир вокруг внутренних органов и жировую ткань под кожей.
Повышенные значения A/G и большая масса висцерального жира тесно связаны с распространённостью инсулинорезистентности. Сейчас эталонным методом измерения состава тела считается двухэнергетическая рентгеновская абсорбциометрия, или DXA. Она даёт точные результаты, но плохо подходит для регулярного обследования: исследование дорого стоит, требует специальной клинической инфраструктуры и связано с небольшой дозой радиации.
Разработчики использовали возможности смартфонов для пассивного наблюдения за здоровьем, например непрерывного измерения пульса. PhotoScan — исследовательская система глубокого обучения, которая по стандартным двумерным фотографиям со смартфона оценивает трёхмерные показатели состава тела: процент жира, A/G и V/S.
Для предварительного обучения глубокой нейросети использовали записи более 35 000 участников UK Biobank. Затем модель дообучили на новой разнообразной когорте из 677 взрослых. Проверка на клинических когортах показала, что PhotoScan точнее оценивает процент жира, чем биоэлектрические импедансные датчики в умных часах, а также рассчитывает A/G и V/S — показатели, недоступные BIA. На этой основе система предсказывает инсулинорезистентность с точностью, близкой к DXA.
Сначала предварительно обученная модель PhotoScan оценивает показатели состава тела. Затем их объединяют с демографическими данными пользователя и передают классификатору инсулинорезистентности.
PhotoScan получает геометрические параметры тела непосредственно из изображений и тем самым позволяет обойти клинические измерения. Разработчики построили и проверили систему в три основные фазы.
В когорте PhotoBIA при пятичастной перекрёстной проверке дообученная модель показала среднюю абсолютную ошибку (MAE) 2,15 при оценке процента жира. Для модели на основе BIA этот показатель составил 2,91. Средняя MAE для A/G равнялась 0,107, для V/S — 0,094.
В независимой проверке на когорте MetabolicMosaic результаты оказались сопоставимыми: MAE составила 2,13 для процента жира, 0,085 для A/G и 0,085 для V/S. В целом модели PhotoScan показали близкие результаты на данных дообучения и проверки. Небольшое снижение показателей A/G и V/S в MetabolicMosaic связано с большей долей женщин: 67% против 57% в PhotoBIA. У женщин обычно ниже абсолютные значения A/G и V/S из-за преимущественного накопления жира в области бёдер и подкожной ткани, поэтому разброс региональных соотношений и ошибка предсказания у них меньше.
PhotoScan показал стабильные результаты для процента жира, A/G и V/S в независимых когортах.
Сравнение с DXA и BIA
Затем исследователи сравнили, насколько хорошо разные наборы данных предсказывают инсулинорезистентность. В качестве основы использовали демографические признаки, а затем добавляли стандартные измерения тела сантиметровой лентой, показатели BIA из умных часов, данные PhotoScan и эталонные измерения DXA.
Модели проверяли на когорте MetabolicMosaic с помощью классификатора на основе последовательного усиления слабых моделей. Чтобы исключить утечку данных и смещение результатов, систему много раз проверяли на ранее не использованных данных. Проверочные группы также выровняли по индексу массы тела и статусу инсулинорезистентности.
Классификатор последовательно получал пять наборов признаков:
🧍 Демографические данные: возраст, пол и индекс массы тела.
📏 Стандартные антропометрические измерения сантиметровой лентой.
⌚ Биоэлектрический импеданс, измеренный умными часами.
📱 Показатели состава тела PhotoScan.
🩻 Клинические измерения DXA.
Так исследователи оценили клиническую ценность оптического определения состава тела по фотографиям смартфона.
Для оценки использовали две метрики: площадь под ROC-кривой (AUROC) и индекс корректной реклассификации (NRI). AUROC показывает, насколько хорошо модель отличает человека с инсулинорезистентностью от человека без неё: чем выше значение, тем точнее классификация. NRI измеряет, насколько новые цифровые показатели улучшают распределение людей по правильным категориям по сравнению с базовой моделью.
Базовая модель на одних демографических данных получила AUROC 0,692. После добавления признаков состава тела PhotoScan показатель вырос до 0,760, а NRI составил 0,593. Результат оказался близким к варианту с клиническими данными DXA: AUROC — 0,773, NRI — 0,748.
Добавление BIA к демографическим данным не улучшило ни AUROC, ни NRI. BIA оценивает только процент жира, а в модели с PhotoScan наиболее важными оказались соотношения A/G и V/S.
Результаты исследования
Исследование показало, что оценка состава тела по фотографиям смартфона может использоваться как инструмент, пригодный для широкого применения в кардиометаболических исследованиях. DXA даёт наиболее точные измерения, но его сложно применять широко. Датчики BIA в носимых устройствах удобнее, однако ограничены оценкой базового процента жира. PhotoScan занимает промежуточное положение: по обычным фотографиям смартфона система оценивает более подробные характеристики состава тела с точностью, близкой к DXA.
Работа также показывает ограничения традиционных антропометрических показателей, включая индекс массы тела, который может не отражать клинически значимые различия в составе тела. По данным авторов, оптическая оценка состава тела по фотографиям технически возможна и может иметь клиническую ценность. Пока PhotoScan остаётся исследовательским прототипом, но такой подход может стать основой доступного и неинвазивного обследования для оценки риска инсулинорезистентности.
В дальнейшем исследователи планируют объединить оценку состава тела с данными разных типов: непрерывными измерениями носимых устройств, динамикой глюкозы и клиническими биомаркерами крови. Это должно помочь создавать более целостные и доступные подходы к контролю метаболического здоровья.
Исследование провели с использованием ресурса UK Biobank по заявке № 65275.
Фотографии собирали на смартфон Pixel, а показатели BIA с умных часов сопоставляли с данными DXA. Исследование одобрено IRB, номер Pro00065782.
В продольное исследование включили 132 человека. Номер одобрения IRB — 20241060.
Ежедневные новости об ИИ
Каждый день отбираем важные новости об ИИ, роботах и метавселенных и рассказываем главное — без хайпа и воды. Если хотите понимать, что происходит в ИИ раньше остальных, — подписывайтесь.
Только важное — каждый день
В Telegram