Google本週公佈 一項深度學習技術PhotoScan，能以智慧型手機拍攝的影像，透過評估體脂組成來預測胰島素阻抗。

胰島素阻抗是現代新陳代謝疾病（如糖尿病）最關鍵卻最難被診斷的原因。胰島素阻抗是身體細胞對胰島素敏感度降低，促使血糖振盪、引發第二型糖尿病。但在糖尿病發生之前數年，胰島素阻抗就已傷害血管健康、肝臟功能及身體新陳代謝。體內平衡模型評估（HOMA-IR）數值若大於2.9就會被視為具有胰島素阻抗。胰島素阻抗高風險因子包括飲食習慣、少運動及高體脂率等。

科學化的體脂率量測值包括軀幹與臀腿脂肪比（A/G ratio）及內臟與皮下脂肪面積比（V/S ratio），和胰島素阻抗盛行率呈現高度相關。目前測量體脂分佈的黃金標準是雙能量X射線吸收儀（DXA）掃描，雖然精準，但這類量測價格昂貴，需要專業臨牀設備，而且患者會暴露於低劑量輻射。

已有研究證明穿戴式設備感測器資料及多模態機器學習框架能準確預測HOMA-IR，加上隨著智慧型手機日益具備監測健康資訊的能力，例如持續心率監測，Google於是投入PhotoScan的研發。它是一套從標準2D智慧型手機相片估算3維身體組成，包括體脂（BF）率、A/G率及V/S率的深度學習框架。

Google以UK Biobank的3.5萬名參與民眾的紀錄預訓練了一套深度神經網路ResNet-50，再以多元人種的677名成人資料，包括真實的手機相片搭配DXA真實值及交叉驗證加以微調。最後完成的模型之驗證結果將以獨立羣組132名受試者的資料作為驗證對照。研究小組另外也用了市售穿戴產品使用的BIA模型數據作為比較。

研究結果中，PhotoScan在身體組成（BF）的平均絕對誤差（MAE愈低愈好）為2.15，優於市售產品BIA模型的2.91；在脂肪分佈指標A/G與V/S方面，PhotoScan分別為0.107及0.094，BIA無法量測；獨立驗證羣組的MAE則分別為2.13（BF%）、0.085（A/G）及0.085（V/S）。

而在胰島素阻抗辨識能力方面，則以AUROC值評估，愈接近1.0愈精準。研究人員結合人口特質（如年齡、性別等）加上PhotoScan，AUROC值為0.760（NRI 0.593），而作為黃金標準的DXA測量儀AUROC為0.773（NRI 0.748）。相較之下，在人口特質資料加入BIA體脂資訊，並未改善胰島素阻抗的AUROC與NRI表現。

研究人員指出，這項研究顯示手機相片為基礎的體組成評估可能作為心血管新陳代謝研究的擴充工具。相較之下，傳統臨牀DXA影像分析最精準，但有昂貴且擴充性低的問題，而穿戴式BIA感測器雖然平易近人，但只有基礎量測功能。研究人員認為PhotoScan可利用標準智慧型手機提供幾近DXA準確率的體組成量測值。

這項技術目前還在原型階段，但提供了更容易取得、非侵入式的胰島素阻抗風險篩檢可能方向。Google計畫持續推進整合體組成評估、持續穿戴式感測器資料、血糖動力學及臨牀血液生物標記的多模態模型研究。

這是Google繼開發以類似隱形眼鏡的裝置，分析眼淚組成來推估血糖後，另一次推進非侵入式血糖值相關研究。