BMIを超えて：スマートフォン画像による心血管代謝リスクの推定

BMIを超えて：スマートフォン画像による心血管代謝リスクの推定 2026年8月17日 Cassie Zhou、リサーチサイエンティスト、Ahmed Metwally、スタッフリサーチサイエンティスト、Google Research スマートフォンの写真から体組成を推定する深層学習アプローチ「PhotoScan」が、臨床研究環境においてDXAスキャンに匹敵する精度でインスリン抵抗性を予測できる可能性を実証しました。 インスリン抵抗性は、現代の代謝疾患の最も重要かつ過小診断されている原因の一つです。2型糖尿病の臨床発症の数年前に現れるインスリン感受性の低下は、空腹時血糖値が診断範囲に入るずっと前に、血管の健康、肝機能、エネルギー代謝を静かに損ないます。インスリン抵抗性（HOMA-IR）のホメオスタシスモデル評価は、定常状態の空腹条件下での肝臓の糖産生とインスリン分泌の間のフィードバックループをモデル化し、疫学レビューに基づくとHOMA-IRスコアが2.9を超える場合はインスリン抵抗性があると見なされます。最近の研究では、ウェアラブルセンサーデータと日常的な検査データを統合したマルチモーダル機械学習フレームワークがHOMA-IRを正確に予測し、早期の代謝リスクを検出できることが示されています。客観的な体組成の測定値を統合することは、ウェアラブル技術の重要な補完となります。ウェアラブルが日々の生理学的行動を追跡するのに対し、体組成は脂肪蓄積の構造的な評価を提供し、代謝リスクの完全な像を形成します。 総体脂肪率を知ることは、脂肪と除脂肪量の比較の良好なベースラインですが、追加の体組成バイオマーカーは、より深い臨床的洞察を提供します。例えば、Android-to-Gynoid脂肪比（A/G比）は、胴体（「リンゴ」型）に蓄積された脂肪と、腰や太もも（「洋梨」型）の脂肪を比較します。内臓脂肪と皮下脂肪の面積比（V/S比）は、臓器の周りに蓄積される代謝活性の高い内臓脂肪と、皮膚のすぐ下に蓄積される皮下脂肪を区別します。A/G比の上昇と内臓脂肪量の増加は、インスリン抵抗性の有病率と強く相関しています。現在、真の体組成を測定するゴールドスタンダードは、二重エネルギーX線吸収測定法（DXA）スキャンです。これらのスキャンは非常に正確ですが、高価で、専門的な臨床インフラが必要で、患者に低線量の放射線を浴びせるため、日常的なスクリーニングには適していません。 日常的な使用中にユーザーの健康を継続的に監視するスマートフォンの能力の高まり（例：継続的な心拍数モニタリング）を基盤として、私たちはPhotoScanを導入します。これは、標準的な2Dスマートフォンの写真から直接、体脂肪率（BF%）、A/G比、V/S比を含む3次元の体組成指標を推定する、研究段階の深層学習フレームワークです。これを構築するために、英国バイオバンクの35,000人以上の参加者の記録で深層ニューラルネットワークを事前学習し、677人の多様な新しいコホートでファインチューニングしました。臨床コホートで検証されたPhotoScanは、スマートウォッチベースの生体電気インピーダンス分析（BIA）センサーよりも高い体脂肪率の精度を示し、BIAの能力を超えるA/G比とV/S比を解き放ち、ほぼDXA精度のインスリン抵抗性予測のためのスケーラブルで非侵襲的なフレームワークを提供します。 体組成パイプラインとインスリン抵抗性分類の概要。体組成指標はまず事前学習済みPhotoScanモデルから推定され、体組成の特徴とユーザーの人口統計情報がインスリン抵抗性分類に使用されます。 PhotoScanの仕組み PhotoScanは、スマートフォンの画像から直接幾何学的な体の情報を抽出することで、臨床測定を回避します。私たちは、3つの主要な段階でこのフレームワークを構築・評価しました。 事前学習（英国バイオバンク、N = 35,323）[73abd3]：英国バイオバンクデータセットの一部を使用し、MRI画像とDXAからの体組成の真値が含まれています。私たちは、3D MRIスキャンから生成された2D正面および側面投影画像から体組成指標を予測するために、ResNet-50バックボーン（ImageNet重みで初期化）をトレーニングしました。DXAスキャンを真値として使用しました。モデルは、最終的な全結合層で画像特徴と参加者の性別、身長、体重、および内部BMIを融合し、ターゲット指標の確率密度関数を出力しました。 ファインチューニング（PhotoBIAコホート、N = 677）：PhotoBIAデータセット[d7d94d]を使用し、DXAの真値とペアになった実際のスマートフォンの写真を用いて、5分割交差検証でモデルをファインチューニングしました。トレーニングデータを拡張するために、自動ランドマーク検出パイプラインが、360度参加者ビデオから最適な正面および側面ポーズフレームを直接選択しました。 検証（MetabolicMosaicコホート、N = 132）：独立したコホート[294b87]で評価した結果、PhotoScanはBF%、A/G比、V/S比全体でDXAとの強い一致を示し、インスリン抵抗性予測においてほぼDXA精度の能力を可能にしました。この独立した検証データセットは、サンフランシスコでの30週間の縦断研究から得られたもので、参加者はDXA、PhotoScan、BIA、身体測定、12時間絶食血液検査（空腹時血糖値とインスリン、完全な脂質パネルなど）、およびFitbitの継続的な受動的追跡に関する完全なペアデータを持っていました。 主な結果 体組成の精度 PhotoBIAコホートでは、5分割交差検証で評価した結果、ファインチューニングされたPhotoScanモデルは、PhotoBIAコホート全体でBF%予測の平均絶対誤差（MAE）が2.15であったのに対し、BIAベースのモデルはMAEが2.91でした。A/G比の平均MAEは0.107、V/S比は0.094でした。MetabolicMosaicコホート（独立検証）では、BF%、A/G比、V/S比のMAEはすべてPhotoBIAコホート（BF%で2.13、A/Gで0.085、V/Sで0.085）と同等でした。全体として、ファインチューニングされたPhotoScanモデルは、ファインチューニングデータセットと検証データセットの間で一貫したパフォーマンスを示しました。MetabolicMosaicコホートで観測されたA/G比とV/S比のわずかな低下は、PhotoBIAコホート（57%）よりも女性の割合が高い（67%）ことに起因しており、女性は一般的に主に下半身の皮下脂肪蓄積により絶対的なA/G比とV/S比が低いため、領域比のばらつきと予測誤差が減少します。PhotoScanは、独立したコホート全体でBF%、A/G比、V/S比の予測において一貫したパフォーマンスを示します。 インスリン抵抗性分類 次に、さまざまなデータ組み合わせがインスリン抵抗性をどれだけうまく予測できたかを比較しました。ベースラインの人口統計情報と、標準的なメジャー、スマートウォッチBIAセンサー、PhotoScan、およびゴールドスタンダードであるDXAスキャンを組み合わせたものを比較しました。 MetabolicMosaicコホートで勾配ブースティング分類器を使用してインスリン抵抗性のある被験者を特定するために、モデルをテストしました。結果が完全に偏りがなく、リークがないことを保証するために、未見のデータに対してモデルを繰り返し評価する厳密なテストプロセスを実装しました。また、各テストグループがBMIとインスリン抵抗性の両方のステータスで均等にバランスが取れていることを確認し、公正で現実的なパフォーマンステストを保証しました。この堅牢なフレームワークにより、5つの異なる特徴セットを体系的に分類器に供給して、その予測能力を比較しました。ベースラインの人口統計情報（年齢、性別、ボディマス指数）、標準的な身体測定、スマートウォッチの生体電気インピーダンス、スマートフォンのPhotoScan指標、および臨床的なゴールドスタンダードであるDXAスキャンです。これらの個別の入力でモデルがどのようにパフォーマンスを発揮するかを比較することにより、スマートフォンの光学フェノタイピングの臨床的価値を確立しました。 モデルを評価するために、受信者操作特性曲線（ROC曲線）の下の面積（AUROC）と正味再分類指数（NRI）の2つの主要な指標に焦点を当てました。簡単に言うと、AUROCは、モデルがインスリン抵抗性のある人とない人をどれだけ正確に区別できるかを測定します（高いほど良い）。一方、NRIは、新しいデジタル指標が、古いベースラインと比較して人々を正しく分類する能力をどれだけ向上させるかを定量化します。