Взгляд за пределы ИМТ: оценка кардиометаболического риска с помощью изображений, полученных с помощью смартфона.

Мы демонстрируем возможность использования PhotoScan, подхода на основе глубокого обучения, оценивающего состав тела по фотографиям, сделанным на смартфон, для прогнозирования инсулинорезистентности с точностью, сопоставимой с точностью денситометрии (DXA) в условиях клинических исследований.

Инсулинорезистентность — один из наиболее важных, но недостаточно диагностируемых факторов развития современных метаболических заболеваний. Нарушение чувствительности к инсулину, предшествующее клиническому началу диабета 2 типа на несколько лет, незаметно ухудшает состояние сосудов, функцию печени и энергетический обмен задолго до того, как уровень сахара в крови натощак достигнет диагностически значимых значений. Модель оценки гомеостаза при инсулинорезистентности (HOMA-IR) моделирует петлю обратной связи между продукцией глюкозы в печени и секрецией инсулина в условиях стабильного голодания, и показатель HOMA-IR выше 2,9 считается признаком инсулинорезистентности на основе эпидемиологических обзоров. Недавние исследования показывают, что многомодальные системы машинного обучения, интегрирующие данные носимых датчиков с рутинными лабораторными анализами, могут точно прогнозировать HOMA-IR для выявления раннего метаболического риска. Интеграция объективных показателей состава тела является важным дополнением к носимым технологиям; в то время как носимые устройства отслеживают ежедневное физиологическое поведение, состав тела обеспечивает четкую структурную оценку ожирения для формирования полной картины метаболического риска.

Хотя знание общего процента жира в организме является хорошей отправной точкой для сравнения жировой и мышечной массы, дополнительные биомаркеры состава тела предоставляют гораздо более глубокие клинические данные. Например, соотношение жира по типу «андроид» к «гиноид» (соотношение A/G) сравнивает жир, накопленный в туловище («яблокообразная» форма), с жиром, накопленным в бедрах и ягодицах («грушевидная» форма); соотношение площади висцерального и подкожного жира (соотношение V/S) различает высокометаболический внутренний жир, окружающий органы, и подкожный жир, хранящийся непосредственно под кожей. Повышенное соотношение A/G и большая масса висцерального жира сильно коррелируют с распространенностью инсулинорезистентности. В настоящее время золотым стандартом для измерения истинного состава тела является двухэнергетическая рентгеновская абсорбциометрия (DXA). Эти сканирования невероятно точны, но не предназначены для повседневного скрининга, поскольку они дороги, требуют специализированной клинической инфраструктуры и подвергают пациентов низким дозам радиации.

Опираясь на растущие возможности смартфонов по пассивному мониторингу здоровья пользователя во время повседневного использования, например, непрерывному мониторингу сердечного ритма, мы представляем PhotoScan: экспериментальную систему глубокого обучения, которая оценивает трехмерные показатели состава тела, включая процент жира в организме (BF%), соотношение A/G и соотношение V/S, непосредственно по стандартным 2D-фотографиям, сделанным на смартфоне. Для создания этой системы мы предварительно обучили глубокую нейронную сеть на более чем 35 000 данных участников из Британского биобанка и доработали ее на новой разнообразной когорте из 677 взрослых. Проверенная в клинических когортах, PhotoScan демонстрирует более высокую точность определения процента жира в организме, чем датчики биоимпедансного анализа (BIA) на основе смарт-часов, одновременно раскрывая возможности соотношения A/G и V/S, выходящие за рамки возможностей BIA, предлагая масштабируемую, неинвазивную систему для прогнозирования инсулинорезистентности с точностью, близкой к DXA.

Обзор алгоритма определения состава тела и классификации инсулинорезистентности. Показатели состава тела сначала оцениваются на основе предварительно обученной модели PhotoScan, а затем эти характеристики состава тела в сочетании с демографическими данными пользователя используются для классификации инсулинорезистентности.

Как работает PhotoScan

PhotoScan обходит клинические измерения, извлекая геометрическую информацию о теле непосредственно из изображений, полученных с помощью смартфонов. Мы разработали и оценили эту систему в три ключевых этапа:

1. Предварительное обучение ( UK Biobank , N = 35 323) [73abd3] : Используя подмножество данных из UK BioBank, которое содержит как изображения МРТ, так и эталонные данные о составе тела, полученные с помощью DXA, мы обучили базовую сеть ResNet-50 (инициализированную весами ImageNet) для прогнозирования показателей состава тела на основе 2D-изображений фронтальной и боковой проекции, полученных из 3D-сканирований МРТ, при этом DXA-сканирование служило эталонными данными. Модель объединяла признаки изображений с полом, ростом, весом и внутренним ИМТ участников через заключительный полносвязный слой для вывода функций плотности вероятности для целевых показателей.
2. Тонкая настройка (когорта PhotoBIA, N = 677): Используя набор данных PhotoBIA[d7d94d], мы выполнили тонкую настройку модели с помощью реальных фотографий, сделанных на смартфон, в сочетании с эталонными данными DXA с 5-кратной перекрестной проверкой. Для расширения обучающих данных автоматизированный конвейер обнаружения ориентиров выбирал оптимальные кадры фронтальной и боковой позы непосредственно из 360-градусных видеозаписей участников.
3. Валидация (когорта MetabolicMosaic, N = 132): Оценка на независимой когорте[294b87] показала высокую степень согласованности с DXA по показателям BF%, соотношению A/G и V/S, что обеспечивает точность, близкую к DXA, для прогнозирования инсулинорезистентности. Этот независимый набор данных для валидации был получен в ходе 30-недельного продольного исследования в Сан-Франциско; участники имели полные парные данные по DXA, PhotoScan, BIA, антропометрическим показателям, анализам крови натощак (глюкоза и инсулин натощак, полный липидный профиль и т. д.) и пассивному непрерывному отслеживанию Fitbit.

Ключевые результаты

точность определения состава тела

Для когорты PhotoBIA, оцененной с помощью 5-кратной перекрестной валидации, доработанная модель PhotoScan продемонстрировала среднюю абсолютную ошибку (MAE) 2,15 для прогнозирования BF% в когорте PhotoBIA, в то время как модель на основе BIA достигла MAE 2,91. Средняя MAE составляет 0,107 для A/G и 0,094 для V/S. Для когорты MetabolicMosaic (независимая валидация) MAE для BF%, A/G и V/S сопоставимы с когортой PhotoBIA (2,13 для BF%, 0,085 для A/G и 0,085 для V/S). В целом, доработанные модели PhotoScan продемонстрировали высокую согласованность между наборами данных доработки и валидации. Незначительное снижение показателей A/G и V/S, наблюдаемое в когорте MetabolicMosaic, обусловлено более высокой долей женских записей (67%) по сравнению с когортой PhotoBIA (57%), поскольку у женщин, как правило, наблюдаются более низкие абсолютные значения соотношений A/G и V/S из-за преимущественно гиноидного, подкожного накопления жира, что снижает региональную вариативность соотношений и ошибку прогнозирования.

PhotoScan демонстрирует стабильную эффективность в прогнозировании BF%, A/G и V/S в независимых когортах.

Классификация инсулинорезистентности

Далее мы сравнили, насколько хорошо различные комбинации данных предсказывают резистентность к инсулину, сопоставив наши базовые демографические данные с комбинацией стандартных измерений с помощью измерительной ленты, датчиков биоимпедансного анализа на умных часах, PhotoScan и эталонного сканирования DXA.

Мы протестировали наши модели на когорте MetabolicMosaic, используя классификатор градиентного бустинга для выявления субъектов с инсулинорезистентностью. Для обеспечения полной объективности и отсутствия искажений результатов мы внедрили строгий процесс тестирования, в ходе которого модель многократно оценивалась на ранее не встречавшихся данных. Мы также убедились, что каждая тестовая группа была сбалансирована как по ИМТ, так и по статусу инсулинорезистентности, что обеспечило справедливую и реалистичную проверку производительности. Используя эту надежную структуру, мы систематически подавали в классификатор пять различных наборов признаков для сравнения их прогностической способности, базовые демографические данные, такие как возраст, пол и индекс массы тела, стандартные антропометрические данные, полученные с помощью измерительной ленты, биоимпедансный анализ с помощью смарт-часов, наши метрики PhotoScan на смартфоне и клинический эталон DXA-сканирования. Сравнивая производительность модели с каждым из этих изолированных входных данных, мы установили клиническую ценность нашего оптического фенотипирования с помощью смартфона.

Для оценки наших моделей мы сосредоточились на двух ключевых показателях: площади под кривой рабочей характеристики приемника (AUROC) и индексе чистой переклассификации (NRI). Проще говоря, AUROC измеряет, насколько точно модель может различать человека с инсулинорезистентностью и человека без нее (чем выше значение, тем лучше). NRI, с другой стороны, точно количественно определяет, насколько наши новые цифровые показатели улучшают нашу способность правильно классифицировать людей по сравнению со старой базовой моделью. Как показано на рисунке ниже, наша базовая демографическая модель достигла AUROC 0,692. Когда мы добавили характеристики состава тела на основе фотосканирования (демография + фотосканирование), точность классификации улучшилась до AUROC 0,760, а NRI — до 0,593, что почти так же эффективно, как использование самих клинических данных DXA, которые достигли максимума в AUROC 0,773 и NRI 0,748. Напротив, добавление биоимпедансного анализа (БИА) с учетом демографических данных (демография + смещение ниже) не привело к улучшению показателей AUROC или NRI для классификации инсулинорезистентности, поскольку БИА предоставляет только оценку процента жировой массы тела (BF%), важность признаков которой значительно ниже, чем соотношение A/G и соотношение V/S в модели «демография + фотосканирование».

Сравнение показателей AUROC и NRI для демографической (базовой) модели, модели с учетом демографических данных и BIA (demo + bia), модели с учетом демографических данных и DXA (demo + dxa) и модели с учетом демографических данных и PhotoScan (demo + photoscan).

Выводы и дальнейшие направления исследований

В целом, наши результаты демонстрируют осуществимость оценки состава тела с помощью смартфонов как масштабируемого инструмента для кардиометаболических исследований. Клиническая денситометрия (DXA) обеспечивает наиболее точную оценку состава тела, но не обладает масштабируемостью, в то время как носимые датчики биоимпедансного анализа (BIA) удобны, но ограничены базовым определением процента жира в организме. Наш подход PhotoScan предлагает многообещающую золотую середину, оценивая детальный состав тела по стандартным изображениям со смартфонов с точностью, близкой к DXA.

В конечном итоге, это исследование подчеркивает, как цифровое фенотипирование может устранить ключевые ограничения традиционных антропометрических методов, таких как ИМТ, которые часто упускают клинически значимые изменения в составе тела. Наше исследование демонстрирует, что оптическая оценка состава тела по изображениям, полученным с помощью смартфона, является как технически осуществимой, так и клинически информативной. Хотя это пока лишь исследовательский прототип, такой подход указывает путь к доступному неинвазивному скринингу риска инсулинорезистентности.

Хотя эти результаты обнадеживают, состав тела — лишь один из компонентов кардиометаболического здоровья. В перспективе наши исследования направлены на изучение интеграции мультимодальных данных, сочетая оценку состава тела с непрерывными данными, получаемыми с помощью носимых устройств, динамикой уровня глюкозы и клиническими биомаркерами крови. Объединив эти разнообразные сигналы, мы надеемся поддержать более целостные и доступные подходы к управлению личным метаболическим здоровьем.

Источник: research.google