Смартфон вместо рентгена: как фото тела предсказывает здоровье экспресс
Весы показывают килограммы, но молчат о том, куда они легли — в мышцы или в жир на животе. А именно жир, спрятанный глубоко внутри, вокруг органов, чаще всего связан с болезнями сердца и диабетом. Раньше его можно было разглядеть только на дорогом сканере в клинике. Теперь для этого хватает смартфона.
Учёные обучили программу на десятках тысяч фотографий людей, чей состав тела был точно измерен. Потом проверили её на новых добровольцах: программа определяла процент жира с ошибкой всего около двух процентов. Для сравнения, обычный индекс массы тела (вес, делённый на рост в квадрате) часто ошибается, потому что не отличает мышцы от жира.
Когда к данным о возрасте, поле и индексе массы тела добавили показатели с фотографий, точность предсказания инсулинорезистентности (первого шага к диабету) выросла заметно. И почти так же хорошо, как если бы использовали дорогой сканер. Значит, простой снимок может стать первым звоночком для врача.
Такой подход не заменит врача, но сделает проверку состава тела доступной миллионам. Вместо очереди на сложное обследование — фотография, которая помогает вовремя заметить риск.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.27017
Body Mass Index (BMI) is a widely accessible but imprecise proxy of cardiometabolic health. While assessing true body composition is superior, gold-standard methods like Dual-Energy X-ray Absorptiometry (DXA) are not scalable. We address this gap by developing and validating "PhotoScan," a method to estimate body composition from smartphone imagery. We pretrained a deep learning model on UK Biobank participants (N=35,323) and fine-tuned on a newly recruited clinical cohort (PhotoBIA cohort, N=677) with diverse ethnicity, age, and body fat distribution, achieving high accuracy against DXA for total body fat percentage (BF%, MAE = 2.15%), Android-to-Gynoid fat ratio (A/G, MAE = 0.11), and visceral-to-subcutaneous fat area ratio (V/S, MAE = 0.09). Generalizability of the model was demonstrated on an independent metabolic health study cohort (MetabolicMosaic cohort, N=132 participants), achieving MAEs of 2.13% for BF%, 0.09 for A/G, and 0.09 for V/S. We then evaluated the clinical utility of these metrics in the MetabolicMosaic cohort by predicting insulin resistance (IR). Adding PhotoScan-derived body composition metrics to baseline demographics model (Age, Sex, BMI) significantly improved insulin resistance classification (Area Under the Receiver Operating Characteristic Curve "AUROC" 76.0% vs 69.2%, DeLong test p=0.002, Net Reclassification Index "NRI" 0.593). Crucially, this accessible smartphone method achieved performance nearly equivalent to adding clinical-grade DXA data to baseline demographics model (AUROC 77.3% vs 69.2%, DeLong test p=0.004, NRI 0.748). These findings demonstrate that smartphone-based phenotyping captures clinically meaningful risk signals missed by BMI and anthropometrics, offering a scalable alternative to DXA for cardiometabolic risk stratification.
Индекс массы тела придумали почти 200 лет назад для статистики, а не для оценки здоровья отдельного человека. Он не учитывает, сколько у вас мышц, а сколько жира.