量體重只能知道總重量，想知道體脂、內臟脂肪等身體組成，就得靠醫院的雙能量 X 光吸收儀（DXA）這類專業醫療儀器掃描，或是穿戴裝置上的生物電阻抗（BIA）感測器。Google Research 最近發表了一套名為 PhotoScan 的深度學習框架，號稱只要用手機拍幾張 2D 照片，就能估算體脂率、內臟脂肪比例等身體組成指標，準確度逼近 DXA 掃描，甚至還優於智慧手錶上的 BIA 感測器。
Google PhotoScan AI 用手機照片估體脂，準確度逼近醫院 DXA 掃描
BMI 看不見的細節
單看總體脂率還不夠，額外的身體組成指標能提供更深的臨床資訊。A/G 比（Android-to-Gynoid fat ratio）比較的是堆積在軀幹（蘋果形）與臀部、大腿（梨形）的脂肪比例；V/S 比（Visceral-to-Subcutaneous fat ratio）則區分包圍內臟、代謝活躍的內臟脂肪，與皮膚下方的皮下脂肪。研究指出，偏高的 A/G 比與較高的內臟脂肪量，與胰島素阻抗盛行率有高度相關。
目前量測身體組成的金標準是 DXA 掃描，精確度極高，但設備昂貴、需要專門的臨床基礎設施，還會讓受測者暴露在低劑量輻射下，不適合日常篩檢。穿戴裝置與智慧體重計普遍採用的 BIA 技術，則是透過微電流在身體組織中通過速度的差異來估算組成，方便歸方便，卻只能給出基本的體脂率，看不到脂肪分布的位置。
PhotoScan 怎麼運作
PhotoScan 的做法，是先以英國 UK Biobank 超過 35,000 筆參與者紀錄預訓練深度神經網路，再以 677 位成年人的新群組微調。訓練過程將手機拍攝的 2D 照片與 DXA 掃描結果對齊，讓模型學會從影像中直接提取身體的幾何資訊，繞過臨床量測流程。
團隊也把 MRI 掃描的體組成資料加入訓練，最後再用智慧型手機相機實拍的影像做微調，讓模型更貼近真實使用情境。
準確度：贏過穿戴裝置，號稱逼近 DXA
在 PhotoBIA 群組的 5 折交叉驗證中，微調後的 PhotoScan 預測體脂率的平均絕對誤差（MAE）為 2.15，同一批資料用 BIA 模型推算的誤差則是 2.91。A/G 比與 V/S 比的平均誤差分別為 0.107 與 0.094。在 MetabolicMosaic 獨立驗證群組中，體脂率誤差為 2.13，A/G 與 V/S 比誤差都降到 0.085，顯示模型在不同族群間表現一致。
換算成一般人的感受，Google 的測試中，照片法的平均估算與 DXA 讀數差距約兩個百分點，同一套測試下，智慧手錶式阻抗感測器的誤差接近三個百分點。
團隊進一步測試 PhotoScan 預測胰島素阻抗的能力，以漸進式提升分類器比較五組特徵組合。單用年齡、性別、BMI 等基本資料的基準模型，AUROC 為 0.692；加入 PhotoScan 的身體組成指標後，AUROC 提升到 0.760，NRI（淨重分類指數）為 0.593，效果接近直接使用臨床 DXA 資料（AUROC 0.773、NRI 0.748）。對照組加入 BIA 資料則幾乎沒有改善，因為 BIA 只能提供體脂率，而體脂率的特徵重要性遠低於 A/G 比與 V/S 比。
與 Pixel Watch 是同一塊拼圖
這項研究發布的時間點頗有意思。Google 上週剛發表 Pixel Watch 5，新款手錶的 Health Guardian 工具組加入了 Insulin Resistance Trends 功能，利用心率與睡眠資料估算身體對血糖波動的反應。PhotoScan 看起來像是同一塊拼圖的下一片，為 Google 提供第二條以相機為基礎、估算相同風險的途徑。
三星 Galaxy Watch Ultra 2 等產品同樣仰賴 BIA 技術來估算體組成，Google 的研究等於直接挑戰了這條技術路線。研究團隊的結論是，臨床 DXA 影像最準確但缺乏可擴展性，穿戴 BIA 感測器方便但僅限於基本體脂率，PhotoScan 提供了一個中間選項，以標準手機影像估算細緻的身體組成，準確度接近 DXA。
Google 目前沒有透露 PhotoScan 何時、或是否會變成實際產品，研究仍停留在原型階段。第一，要說服用戶把可能不討喜的照片交給工具分析，即使隱私政策再完善，都是一個很大的要求；第二，就算把數據攤在用戶面前，如何驅動他們真正做出飲食與生活型態的改變，是更困難的課題。
不過，這類研究對公共衛生的潛在價值不容小覷。根據美國國家衛生研究院（NIH）統計，將近四分之三（73.1%）的美國成年人體重過重或肥胖，但完整的體組成評估長期以來依賴昂貴的 X 光分析。若手機相機就能提供接近醫院等級的體組成數據，等於讓大規模的胰島素阻抗風險篩檢有了可行的載體。
