Πώς τα smartphone θα μπορούσαν σύντομα να εντοπίζουν κρυφούς μεταβολικούς κινδύνους

Μια πρωτοποριακή εξέλιξη από το Google Research υποδηλώνει ότι το μέλλον της διαγνωστικής ιατρικής βρίσκεται απλώς στην κάμερα του τηλεφώνου σας. Οι επιστήμονες αποκάλυψαν το PhotoScan, ένα πειραματικό πλαίσιο βαθιάς εκμάθησης ικανό να αξιολογεί τη σύσταση του ανθρώπινου σώματος και να ανιχνεύει μεταβολικές ευάλωτες περιοχές χρησιμοποιώντας τυπικές δισδιάστατες εικόνες. Μετατρέποντας τις καθημερινές φωτογραφίες σε κλινικά σημαντικές αξιολογήσεις, αυτή η τεχνολογία αντιμετωπίζει μία από τις πιο επιμένουσες προκλήσεις στη σύγχρονη προληπτική ιατρική: τον εντοπισμό της ινσουλινοαντίστασης πολύ πριν εξελιχθεί σε πλήρη μεταβολική νόσο.

Η ινσουλινοαντίσταση λειτουργεί ως αθόρυβος πρόδρομος του διαβήτη τύπου 2, επιδεινώνοντας σταδιακά την αγγειακή λειτουργία, την ηπατική απόδοση και τη συνολική μεταβολική ισορροπία χρόνια πριν από τις τυπικές εξετάσεις γλυκόζης αίματος νηστείας. Οι κλινικοί ιατροί βασίζονται συχνά στο μοντέλο αξιολόγησης ομοιόστασης για την ινσουλινοαντίσταση, γνωστό ως HOMA-IR, για να εκτιμήσουν αυτή τη μεταβολική καταπόνηση, θεωρώντας μια βαθμολογία πάνω από 2.9 ως κύριο δείκτη δυσλειτουργίας. Ενώ τα συμβατικά smartwatches αριστεύουν καταγράφοντας την κίνηση, τον καρδιακό ρυθμό και τα δεδομένα ύπνου, παραμένουν θεμελιωδώς τυφλά απέναντι στη δομική σύσταση του σώματος—ένα κρίσιμο κομμάτι που λείπει από την αξιολόγηση της μακροπρόθεσμης μεταβολικής υγείας.

Για δεκαετίες, ο δείκτης μάζας σώματος χρησίμευε ως η προεπιλεγμένη μέτρηση για τους ελέγχους υγείας, παρά την ευρεία αναγνώριση της αποτυχίας του να διακρίνει μεταξύ μυϊκού ιστού και επικίνδυνης συσσώρευσης λίπους. Η προηγμένη κλινική κατανόηση δίνει πολύ μεγαλύτερη έμφαση στις συγκεκριμένες αναλογίες κατανομής του λίπους. Η αναλογία Android-to-Gynoid συγκρίνει το λίπος που είναι αποθηκευμένο γύρω από την κοιλιά με το λίπος που βρίσκεται γύρω από τους γοφούς και τους μηρούς, ενώ η αναλογία σπλαχνικού προς υποδόριο λίπος διακρίνει το βαθιά εγκλωβισμένο, μεταβολικά ενεργό λίπος που περιβάλλει ζωτικά όργανα από το σχετικά αβλαβές στρώμα λίπους κάτω από το δέρμα. Η υψηλή συγκέντρωση κοιλιακού λίπους και η αυξημένη μάζα σπλαχνικού λίπους συνδέονται άμεσα με σοβαρές μεταβολικές δυσλειτουργίες, ωστόσο η ακριβής μέτρησή τους απαιτούσε παραδοσιακά σαρώσεις απορροφησιομετρίας ακτίνων Χ διπλής ενέργειας, ή DXA. Παρόλο που η DXA παραμένει το χρυσό πρότυπο, το υψηλό κόστος της, η απαίτηση για εξειδικευμένες κλινικές υποδομές και η μικρή έκθεση σε ακτινοβολία την καθιστούν μη πρακτική για τακτικό, ευρύ προληπτικό έλεγχο.

Για να γεφυρώσει αυτό το κενό, το Google Research σχεδίασε το PhotoScan για να εξάγει σύνθετες γεωμετρικές και χωρικές πληροφορίες απευθείας από απλές ψηφιακές φωτογραφίες. Βασισμένος σε μια αρχιτεκτονική νευρωνικού δικτύου ResNet-50 που αρχικοποιήθηκε με βάρη από το ImageNet, ο αλγόριθμος υποβλήθηκε σε ένα αυστηρό πρόγραμμα εκπαίδευσης τριών φάσεων. Οι ερευνητές προ-εκπαίδευσαν αρχικά το σύστημα χρησιμοποιώντας ένα τεράστιο σύνολο δεδομένων από το UK Biobank που περιελάμβανε πάνω από 35.000 εγγραφές συμμετεχόντων, συνδέοντας δεδομένα μαγνητικής τομογραφίας με επιβεβαιωμένα αποτελέσματα σαρώσεων DXA. Αυτό επέτρεψε στην τεχνητή νοημοσύνη να συγχωνεύσει τα οπτικά χαρακτηριστικά των εικόνων με δημογραφικές παραμέτρους. Η στη συνέχεια μικρορύθμιση βασίστηκε στο σύνολο δεδομένων PhotoBIA σχεδόν επτακοσίων ενηλίκων, χρησιμοποιώντας πραγματικές λήψεις από smartphones μαζί με αυτοματοποιημένη εξαγωγή σημείων αναφοράς από βίντεο 360 μοιρών.

Κατά την επικύρωση σε μια ανεξάρτητη ομάδα δοκιμών με την ονομασία MetabolicMosaic, το PhotoScan παρουσίασε εντυπωσιακούς δείκτες απόδοσης που ξεπέρασαν εύκολα τις σημερινές καταναλωτικές τεχνολογίες υγείας. Το σύστημα πέτυχε μέσο απόλυτο σφάλμα μόλις 2.15 στην εκτίμηση του συνολικού ποσοστού σωματικού λίπους. Συγκριτικά, οι αισθητήρες ανάλυσης βιοηλεκτρικής εμπέδησης—η τυπική τεχνολογία που βρίσκεται στα σύγχρονα smartwatches—κατέγραψαν υψηλότερο ποσοστό σφάλματος στο 2.91. Το σημαντικότερο είναι ότι το υλικό βιοηλεκτρικής εμπέδησης είναι εκ κατασκευής ανίκανο να υπολογίσει τις αναλογίες Android-to-Gynoid ή σπλαχνικού προς υποδόριο λίπος, αφήνοντας τους χρήστες χωρίς καμία πραγματική εικόνα για τα πραγματικά μοτίβα κατανομής του λίπους τους.

Η κλινική χρησιμότητα του PhotoScan γίνεται ακόμη πιο σαφής όταν εξετάζεται η ικανότητά του να εντοπίζει άτομα που διατρέχουν κίνδυνο για ινσουλινοαντίσταση. Χρησιμοποιώντας έναν ταξινομητή ενίσχυσης κλίσης, οι ερευνητές της Google αξιολόγησαν τις προγνωστικές δυνατότητες διαφορετικών συνόλων μετρήσεων χρησιμοποιώντας ανάλυση λειτουργικής χαρακτηριστικής λαμπτήρα. Ένα βασικό δημογραφικό μοντέλο που ενσωμάτωνε την ηλικία, το βιολογικό φύλο και τον παραδοσιακό δείκτη μάζας σώματος πέτυχε βαθμολογία περιοχής κάτω από την καμπύλη 0.692. Η προσθήκη δεδομένων βιοηλεκτρικής εμπέδησης από smartwatches δεν προσέφερε σχεδόν καμία διαγνωστική βελτίωση. Ωστόσο, η ενσωμάτωση των δομικών δεδομένων που παρήγαγε το PhotoScan ανέβασε τη βαθμολογία ταξινόμησης στο 0.760, φέρνοντας την προγνωστική του ισχύ εκπληκτικά κοντά στο 0.773 που προσφέρουν οι πλήρεις κλινικές σαρώσεις DXA.

Μεταφράζοντας τη σύνθετη οπτική γεωμετρία σε ακριβείς μεταβολικούς δείκτες, το PhotoScan αποδεικνύει ότι τα smartphones των καταναλωτών θα μπορούσαν να εκδημοκρατίσουν τον προηγμένο κλινικό έλεγχο. Αντί να βασίζονται σε ακριβά μηχανήματα απεικόνισης ή μη αξιόπιστες φορητές συσκευές, τα άτομα ενδέχεται σύντομα να είναι σε θέση να παρακολουθούν τους κρυφούς μεταβολικούς τους κινδύνους βγάζοντας απλώς μια φωτογραφία, ανοίγοντας μετασχηματιστικές δυνατότητες για έγκαιρη παρέμβαση και προληπτική φροντίδα υγείας σε πληθυσμιακή κλίμακα.