HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

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

Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery (research.google)

42 pointsby leanderjanssen18 コメント

要約

Googleの研究者たちは、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ことを実証しました。この技術は、非侵襲的かつスケーラブルな方法で、従来のBMIでは捉えきれない心血管代謝リスクの早期発見に貢献する可能性を秘めています。

全文翻訳

BMIを超えて:スマートフォンの画像から心血管代謝リスクを推定する

インスリン抵抗性は、現代の代謝疾患において最も重要でありながら、見過ごされがちな要因の一つです。2型糖尿病の臨床的な発症よりも何年も前から、インスリン感受性の低下は、空腹時血糖値が診断範囲に上昇するずっと前に、血管の健康、肝機能、エネルギー代謝を静かに損ないます。インスリン抵抗性ホメオスタシスモデル評価(HOMA-IR)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フィードバックループをモデル化しており、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血液検査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を正確に予測して早期の代謝リスクを特定できることが示されています。体組成の客観的な測定値を統合することは、ウェアラブル技術にとって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、代謝リスクの全体像を形成します。

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基準となりますが、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、腹部・下半身脂肪比(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」)に蓄積された脂肪を比較します。内臓脂肪・皮下脂肪面積比(V/S比)は、臓器の周りにあ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ための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精密ですが、高価で、専門的な臨床インフラが必要であり、患者に低線量の放射線を被曝させるため、日常的なスクリーニングには適していません。

スマートフォンの日常使用におけるユーザーの健康状態をパッシブに監視する能力の高まり、例えば連続心拍数モニタリングなどを基盤として、私たちはPhotoScanを紹介します。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、私たちはUK Biobankからの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精度を示し、BIAの能力を超えるA/G比とV/S比を可能にします。これは、DXAに近い精度でインスリン抵抗性を予測するための、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。

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身体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つの主要なフェーズでこのフレームワークを構築・評価しました。

  1. 事前学習(UK Biobank、N = 35,323):UK BioBankデータセットから抽出したサブセット(MRI画像とDXAによる体組成のグラウンドトゥルースを含む)を使用し、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の重みで初期化)をトレーニングしました。DXAスキャンをグラウンドトゥルースとして使用しました。モデルは、画像特徴と参加者の性別、身長、体重、および内部BMIを最終的な全結合層で融合し、ターゲット指標の確率密度関数を出力しました。
  2. 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グラウンドトゥルースとペアになった実際のスマートフォン写真を用いて、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。
  3. 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DXAに近い精度を実現しました。この独立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、身体計測、12時間の空腹時血液検査(空腹時血糖値およびインスリン、完全な脂質パネルなど)、およびFitbitによるパッシブ連続トラッキングの完全なペアデータを持っていました。

主要な結果

体組成の精度

PhotoBIAコホートにおいて、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%予測において平均平均絶対誤差(MAE)2.15を示したのに対し、BIAベースのモデルはMAE 2.91を達成しました。A/Gの平均MAEは0.107、V/Sは0.094でした。MetabolicMosaicコホート(独立検証)では、BF%、A/G、V/S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間で強い一貫性を示しました。MetabolicMosaicコホートで観察されたA/GおよびV/Sのわずかな低下は、PhotoBIAコホート(57%)よりも高い女性の割合(67%)に起因しています。これは、女性は一般的に、主に下半身への皮下脂肪蓄積により、絶対的なA/G比とV/S比が低くなる傾向があり、地域的な比率のばらつきと予測誤差を減少させるためです。

インスリン抵抗性の分類

次に、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場合の、インスリン抵抗性の予測能力を比較しました。

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を持つ被験者を特定するモデルをテストしました。結果が完全に偏りがなく、情報漏洩がないことを保証するために、未知のデータに対してモデルを繰り返し評価する厳格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、比較のために5つの異なる特徴セットを分類器に体系的に供給し、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)、標準的なメジャーによる身体計測、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メトリクス、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機能するかを比較することにより、スマートフォンの光学的な表現型測定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下面積(AUROC)と正味再分類指数(NRI)という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を持つ人と持た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、古いベースラインモデルと比較して、新しいデジタルメトリクスが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。以下の図が示すように、ベースラインの人口統計モデルは0.692のAUROCを達成しました。PhotoScanベースの体組成特徴量(デモ + PhotoScan)を追加すると、分類精度はAUROC 0.760に向上し、NRIは0.593に改善しました。これは、AUROC 0.773、NRI 0.748で最高値となった臨床DXAデータを使用するのとほぼ同等の効果でした。対照的に、人口統計情報にBIAを追加した場合(デモ + BIA)、インスリン抵抗性分類におけるAUROCまたはNRIの改善は見られませんでした。これは、BIAがBF%推定しか提供せず、その特徴量の重要度が、デモ + PhotoScanモデルにおけるA/G比およびV/S比よりも著しく低いためです。

結論と今後の方向性

全体として、私たちの調査結果は、心血管代謝研究のためのスケーラブルなツールとしてのスマートフォンベースの体組成推定の実現可能性を示しています。臨床DXA画像は最も正確な体組成を提供しますが、スケーラビリティに欠けます。一方、ウェアラブルBIAセンサーは利便性を提供しますが、基本的な体脂肪率に限定されます。私たちのPhotoScanアプローチは、標準的なスマートフォンの画像からDXAに近い精度で詳細な体組成を推定するという、有望な中間的な解決策を提供します。

最終的に、この研究は、デジタルフェノタイピングが、体組成における臨床的に重要な変動を見逃しがちなBMIのような従来の身体計測法の主要な限界にどのように対処できるかを浮き彫りにしています。私たちの研究は、スマートフォンの画像からの光学的な体組成推定が、技術的に実現可能であり、臨床的にも有益であることを示しています。まだ研究プロトタイプ段階ですが、このアプローチは、インスリン抵抗性リスクへのアクセス可能で非侵襲的なスクリーニングへの道を示唆しています。

これらの結果は有望ですが、体組成は心血管代謝の健康の構成要素の一つにすぎません。今後、私たちの研究は、マルチモーダルデータ統合を探求することを目指しており、体組成推定と連続的なウェアラブルデータ、グルコース動態、および臨床血液バイオマーカーを組み合わせます。これらの多様な信号を統合することで、個人の代謝健康を管理するための、より全体的でアクセスしやすいアプローチをサポートできることを願っています。