超越BMI：用智能手机图像评估心血管代谢风险
胰岛素抵抗是现代代谢性疾病中最关键但常被漏诊的驱动因素之一。在2型糖尿病临床发作前数年间，受损的胰岛素敏感性就已悄悄损害血管健康、肝脏功能和能量代谢，远早于空腹血糖进入诊断范围。稳态模型评估胰岛素抵抗（HOMA-IR）模拟了在稳态空腹条件下肝脏葡萄糖生成与胰岛素分泌之间的反馈回路，而基于流行病学综述，HOMA-IR评分大于2.9即被视为存在胰岛素抵抗。近期研究表明，整合可穿戴传感器数据与常规实验室检测的多模态机器学习框架可准确预测HOMA-IR，从而识别早期代谢风险。融入客观的身体成分测量可为可穿戴技术提供重要补充——可穿戴设备追踪日常生理行为，而身体成分则提供独立的脂肪结构评估，二者结合方能完整描绘代谢风险图景。
虽然了解全身脂肪百分比是衡量脂肪量与瘦体重的良好基线指标，但额外的身体成分生物标志物能提供更深入的临床洞察。例如，Android-to-Gynoid 脂肪比率（A/G 比值）比较的是躯干部位的脂肪（"苹果型"身材）与臀部和大腿的脂肪（"梨型"身材）；Visceral-to-Subcutaneous 脂肪面积比值（V/S 比值）则区分了包裹器官的高代谢内脏脂肪与皮下存储的脂肪组织。A/G 比值升高和内脏脂肪量增加均与胰岛素抵抗发病率强相关。目前，测量真实身体成分的金标准是双能 X 射线吸收法（DXA）扫描。这类扫描精度极高，但由于费用高昂、需要专业临床基础设施，且患者会接受低剂量辐射照射，并不适合用于日常筛查。
依托智能手机在日常使用中被动监测用户健康的能力不断提升（如连续心率监测），我们推出 PhotoScan：一种研究性深度学习框架，可直接从普通 2D 手机照片估测三维身体成分指标，包括体脂百分比（BF%）、A/G 比值和 V/S 比值。为此，我们利用英国生物银行（UK Biobank）逾 35,000 条参与者记录对深度神经网络进行预训练，并用 677 名成年人的多样化新队列进行微调。经临床队列验证，PhotoScan 在体脂百分比预测精度上超越基于智能手表的生物电阻抗分析（BIA）传感器，同时解锁了 BIA 无法实现的 A/G 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、非侵入性的框架。
身体成分评估流程与胰岛素抵抗分类概览。首先由预训练的 PhotoScan 模型从照片估测身体成分指标，再将身体成分特征与用户人口统计信息结合，用于胰岛素抵抗分类。
PhotoScan 的工作原理
PhotoScan 直接从智能手机图像中提取几何身体信息，绕过了传统的临床测量步骤。我们分三个阶段构建并评估了这一框架：
- 预训练（UK Biobank，N = 35,323）[73abd3]：利用 UK Biobank 数据子集（含 MRI 图像与 DXA 身体成分真实值），我们基于 ImageNet 预训练权重训练了ResNet-50 backbone，旨在从 3D MRI 生成的 2D 正面及侧面投影图中预测身体成分指标，以 DXA 扫描结果为参照标准。该模型通过全连接层融合图像特征与受试者性别、身高、体重及内置 BMI，最终输出目标指标的概率密度函数。
- 微调（PhotoBIA cohort，N = 677）：利用 PhotoBIA 数据集[d7d94d]，我们通过 5 折交叉验证，将真实智能手机照片与 DXA 真实值配对用于模型微调。为扩充训练数据，系统通过自动关键点检测流水线，直接从受试者 360 度视频中提取最佳的正面与侧面姿态帧。
- 验证（MetabolicMosaic cohort，N = 132）：在独立队列中的评估表明[294b87]，PhotoScan 与 DXA 在 BF%、A/G ratio 和 V/S ratio 上高度吻合，从而使胰岛素抵抗预测达到接近 DXA 的精度。该验证数据来自旧金山一项为期 30 周的纵向研究，受试者均拥有完整的配套数据，涵盖 DXA、PhotoScan、BIA、人体测量数据、12 小时空腹血液检测（含空腹血糖与胰岛素、全套血脂面板等）以及 Fitbit 被动连续追踪记录。
核心结果
身体成分精度
在PhotoBIA队列（5折交叉验证）中，微调后的PhotoScan模型预测BF%的平均绝对误差（MAE）为2.15，低于基于BIA的模型（2.91）；A/G和V/S的MAE分别为0.107和0.094。在MetabolicMosaic独立验证队列中，三项指标的MAE（2.13、0.085、0.085）与PhotoBIA队列基本相当。整体来看，微调后的PhotoScan模型在训练集与验证集上表现高度一致。MetabolicMosaic队列中A/G和V/S误差略有降低，主要因该队列女性占比更高（67% vs 57%）；女性脂肪多以皮下储存为主（梨形分布），绝对比值较低，从而收窄了区域比值方差与预测误差。
PhotoScan在不同独立队列中预测BF%、A/G和V/S的性能保持一致。
Insulin resistance classification
接下来，我们对比了不同数据组合预测Insulin resistance的效果，将基础人口统计信息分别与标准卷尺测量、智能手表BIA传感器、PhotoScan及金标准DXA扫描相结合。
我们在MetabolicMosaic队列上采用gradient boosting classifier识别Insulin resistance受试者。为确保结果无偏且无数据泄露，我们设计了严格的测试流程，反复在未见数据上评估模型，并保证各组测试数据在BMI和Insulin resistance状态上均等分布，使性能评估公平且贴近实际。在此稳健框架下，我们系统地向classifier输入五组特征集以对比预测能力：基础人口学特征（年龄、性别、BMI）、标准卷尺人体测量数据、智能手表生物电阻抗、手机PhotoScan指标以及临床金标准DXA扫描。通过对比模型在各项单一输入下的表现，我们确立了手机光学表型分析的临床价值。
为了评估我们的模型，我们聚焦于两个关键指标：受试者工作特征曲线下面积（AUROC）和净重分类指数（NRI）。简单来说，AUROC衡量模型区分胰岛素抵抗与非胰岛素抵抗个体的准确性（越高越好）。NRI则量化了我们的新数字指标相比旧基线模型，在正确分类人群方面提升了多少。如下图中所示，我们的基线人口统计学模型实现了0.692的AUROC。当加入基于照片扫描的身体成分特征后（demo + photoscan），分类准确度提升至AUROC 0.760，NRI提升至0.593，效果已接近直接使用临床DXA数据的水平——其AUROC最高达0.773、NRI为0.748。相比之下，加入BIA与人口统计数据的组合（demo + bia below）对胰岛素抵抗分类的AUROC或NRI均无改善，因为BIA仅提供体脂率估算，其重要性远低于demo + photoscan模型中的A/G比和V/S比。
AUROC与NRI在人口统计学模型（基线）、人口统计学加BIA（demo + bia）、人口统计学加DXA（demo + dxa）以及人口统计学加PhotoScan（demo + photoscan）之间的对比。
结论与未来方向
总体而言，我们的研究结果证明了基于智能手机的身体成分估算法可作为心血管代谢研究中可扩展工具的可行性。临床DXA成像提供了最精准的身体成分分析，但缺乏可扩展性；而可穿戴BIA传感器虽便捷，却仅限于基础体脂率估算。我们的PhotoScan方法提供了一个颇具前景的折中方案，能够从标准智能手机影像中估算精细的身体成分数据，精度已接近DXA水平。
总之，这项研究凸显了数字表型分析如何弥补传统人体测量指标（如BMI）的关键局限——后者往往无法捕捉具有重要临床意义的体成分变化。我们的研究证实，基于智能手机图像的光学体成分估测在技术上切实可行，且具备临床价值。尽管目前仍是研究原型，这一方法为开展普及、无创的胰岛素抵抗风险筛查指明了一条可行路径。 虽然这些结果令人鼓舞，但体成分仅是心血管代谢健康的组成部分之一。展望未来，我们的研究旨在探索多模态数据融合，将体成分估测与可穿戴设备连续监测数据、血糖动态及临床血液生物标志物相结合，以期支持更加全面、可及的个人代谢健康管理方案。