Az inzulinrezisztencia a modern metabolikus betegségek egyik kulcsfontosságú, ám gyakran aluldiagnosztizált oka: évekkel megelőzheti a 2‑es típusú cukorbetegség klinikai megjelenését, és hosszú időn át károsíthatja az érrendszert, a májműködést és az energia-anyagcserét. Gyakran használt klinikai index a Homeostasis Model Assessment for Insulin Resistance (HOMA‑IR); epidemiológiai áttekintések alapján a HOMA‑IR > 2,9 inzulinrezisztenciára utal.
A testösszetétel objektív mérése kiegészíti a viselhető eszközök adatait: míg a wearable eszközök a napi fiziológiai viselkedést követik, a testösszetétel a zsírdisztribúció strukturális jellemzőit adja. A teljes testzsírszázalék (BF%) hasznos alapmutató, de a klinikai pontosság szempontjából további biomarkerek — mint az Android‑to‑Gynoid zsírarány (A/G) és a Viscerális‑to‑Szubkután zsírfelület arány (V/S) — fontosabbak lehetnek. Magas A/G és magas viscerális zsír összefügg a megnövekedett inzulinrezisztencia‑előfordulással.
Jelenleg a Dual‑Energy X‑Ray Absorptiometry (DXA) a referencia módszer a testösszetétel mérésére: nagyon pontos, de költséges, klinikai infrastruktúrát igényel és kis dózisú sugárterheléssel jár, így nem alkalmas széles körű, mindennapos szűrésre.
A PhotoScan megközelítés
A PhotoScan egy kísérleti, mélytanuló alapú keretrendszer, amely szabványos 2D okostelefonos fotókból becsli a háromdimenziós testösszetételi jellemzőket: BF%, A/G arány és V/S arány. A fejlesztés három fő fázisban történt:
-
Pre‑training (UK Biobank, N = 35,323): a kutatók a UK Biobank részhalmazát használták, amely MRI‑képeket és DXA alapú testösszetétel‑adatokat tartalmaz. Egy ResNet‑50 hátteret (ImageNet inicializálással) tanítottak arra, hogy 2D elülső és oldalsó projekcióképekből jósolja a testösszetételi metrikákat, miközben a modellbe bevonták a résztvevő nemét, magasságát, súlyát és test‑tömegindexét (BMI). A modell valószínűségi eloszlásokat állított elő a célmértékekre.
-
Finomhangolás (PhotoBIA cohort, N = 677): valós okostelefonos fotókkal párosított DXA‑alapú ground truth segítségével finomhangolták a modellt 5‑ös keresztvalidációval. Az adatmennyiség növelésére egy automatikus landmark‑detektálási folyamat emelt ki optimális frontális és laterális pózokat 360°‑os videókból.
-
Validáció (MetabolicMosaic cohort, N = 132): egy független kohorten értékelték a PhotoScan teljesítményét; ez egy San Francisco‑i, 30 hetes longitudinális vizsgálat résztvevőiből állt, ahol a teljes páros adatállomány rendelkezésre állt: DXA, PhotoScan, BIA, antropometria, 12 órás éhomi laborok (éhomi glükóz, inzulin, teljes lipidpanel stb.) és passzív Fitbit követés.
Fő eredmények
Testösszetétel‑pontosság
- A PhotoBIA kohortban, 5‑ös keresztvalidáció alapján a finomhangolt PhotoScan átlagos mean absolute error (MAE) értéke BF% előrejelzésére 2,15 volt. A BIA‑alapú modell MAE‑je ugyanabban a kohortban 2,91 volt.
- Az átlagos MAE az A/G arányra 0,107, a V/S arányra 0,094 volt a PhotoBIA adatokon.
- A MetabolicMosaic (független validáció) kohortban az MAE értékek hasonlóak: BF% 2,13, A/G 0,085, V/S 0,085. A kisebb eltérések az A/G és V/S pontosságában részben a MetabolicMosaic nagyobb arányú női (67%) mintájával magyarázhatók (a PhotoBIA kohort 57% nő), mivel a nőknél jellemzően gynoid, szubkután zsír dominál, ami csökkenti a regionális arányok varianciáját és a predikciós hibát.
Inzulinrezisztencia osztályozás
- A MetabolicMosaic kohorten egy gradient boosting osztályozót használtak az inzulinrezisztencia (HOMA‑IR alapú) azonosítására. A tesztelés szigorúan leak‑mentes és kiegyensúlyozott volt BMI és inzulinrezisztencia státusz szerint.
- Öt jellemzőkészletet hasonlítottak össze: alap demográfiai adatok (életkor, nem, BMI), standard mérőszalag antropometria, smartwatch‑alapú BIA, PhotoScan metrikák, illetve klinikai DXA.
- Teljesítménymutatók: az AUROC (Area Under the Receiver Operating Characteristic) és a Net Reclassification Index (NRI) voltak a fő értékelt metrikák. A demográfiai baseline modell AUROC‑ja 0,692 volt. Amikor a demográfiai adatokat PhotoScan metrikákkal kiegészítették (demo + photoscan), az AUROC 0,760‑ra javult és az NRI 0,593 lett — ez közel állt a DXA által nyújtott teljesítményhez (DXA AUROC 0,773, NRI 0,748). Ezzel szemben a demográfia + BIA kombináció nem javított sem AUROC‑on, sem NRI‑en, mivel a BIA csak BF%‑t szolgáltat, amelynek jellemző fontossága alacsonyabb, mint az A/G és V/S szerepe a demo + photoscan modellben.
Következtetések és további irányok
A szerzők eredményei azt mutatják, hogy okostelefonos optikai fenotipizálás révén skálázhatóan becsülhető a testösszetétel, és ez klinikailag értékes információt ad az inzulinrezisztencia korai jelzéséhez. A DXA továbbra is a legpontosabb módszer, de nem skálázható széles körben; a viselhető BIA kényelmes, de korlátozott (elsősorban BF%). A PhotoScan köztes megoldást kínál: standard 2D fotókból képes részletes regionális testösszetételi jellemzőket becsülni közel DXA‑szintű pontossággal.
A kutatás hangsúlyozza, hogy a BMI és hasonló egyszerű antropometrikus indexek gyakran elkerülik a klinikailag fontos testösszetétel‑különbségeket. Bár a PhotoScan jelenleg kutatási prototípus, az eredmények arra utalnak, hogy az optikai testösszetétel‑becslés nem invazív, hozzáférhető eszközzé válhat az inzulinrezisztencia‑kockázat szűrésében.
További munkák célja a multimodális integráció: testösszetétel‑becslés, folyamatos wearable adatok, glukózdinamika és klinikai véralapú biomarkerek egyesítése a holisztikusabb, hozzáférhető metabolikus egészségkezelés támogatására.
