# Google Research 展示 PhotoScan：臨床研究中用手機照片預測胰島素阻抗，準確度接近 DXA

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Google Research (@GoogleResearch) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥 · 日期：2026-08-18

> 原始來源：https://x.com/GoogleResearch/status/2089451478906003866

## 證據與延伸閱讀

- [Google Research 展示 PhotoScan：臨床研究中用手機照片預測胰島素阻抗，準確度接近 DXA。](https://goo.gle/4xIGxHj) — 官方文件

## 中文摘要

Google Research 展示 PhotoScan：臨床研究中用手機照片預測胰島素阻抗，準確度接近 DXA。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/2e6eedee60412431.jpg)
> Google Research 的橫幅標誌，中央置有一矩形圖像，內部包含數位電路圖、一位戴著防塵帽與口罩正透過顯微鏡觀察的使用者、森林俯瞰圖以及衛星軌道圖，右上角並有一枚衛星圖案斜向排列。

**研究主軸** Google Research 在[部落格文章](https://goo.gle/4xIGxHj)中說明，PhotoScan 是一套研究中的深度學習方法，可從一般 2D 智慧型手機照片估算體脂率（BF%）、Android-to-Gynoid fat ratio（A/G）與 Visceral-to-Subcutaneous fat area ratio（V/S），補足 BMI 可能忽略的身體組成差異。A/G 偏高與較高內臟脂肪量和胰島素阻抗盛行率高度相關，而 HOMA-IR 超過 2.9 被視為胰島素阻抗。

**技術方法** PhotoScan 先以 UK Biobank 的 35,323 筆資料預訓練 ResNet-50，再用包含 DXA 對照資料的 PhotoBIA 677 名成人資料微調，並以 5-fold cross-validation 評估；最後在獨立的 MetabolicMosaic 132 人資料集驗證。系統透過自動 landmark detection，從 360 度參與者影片挑選正面與側面姿勢影格。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/facf75295accad48.jpg)
> 三階段的模型預訓練、微調與獨立驗證架構，分別包含 UK Biobank、PhotoBIA 及 MetabolicMosaic 資料集的處理流程、特徵融合、PhotoScan 模型與 XGBoost 評估。

**關鍵結果** PhotoBIA 中，PhotoScan 預測 BF% 的平均絕對誤差（MAE）為 2.15，優於 smartwatch BIA 模型的 2.91；A/G 與 V/S 的 MAE 分別為 0.107 與 0.094。獨立驗證中，三項 MAE 分別為 2.13、0.085 與 0.085。以 MetabolicMosaic 預測胰島素阻抗時，僅使用人口統計資料的 AUROC 為 0.692，加入 PhotoScan 後升至 0.760、NRI 為 0.593，接近 DXA 的 0.773 與 0.748；加入 BIA 則未改善表現。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/20ebcc44c67fcdf7.png)
> Proposed PhotoScan 方法在 BF%、A/G 及 V/S 預測上相較於僅用 Demographics 皆降低 MAE，其中 Proposed Photoscan + BIA 在 PhotoBIA Cohort 的 BF% 預測取得最低的 1.98 MAE。

**限制與後續** DXA 仍提供最精確的身體組成測量，但成本高、需要專業設備並有低劑量輻射；BIA 雖方便，卻主要只能估算 BF%。Google Research 強調 PhotoScan 目前仍是研究原型，未來將整合穿戴式裝置、血糖變化與臨床血液 biomarkers，探索更完整且非侵入式的代謝健康評估。

## 媒體內容

**Proposed PhotoScan 方法在 BF%、A/G 及 V/S 預測上相較於僅用 Demographics 皆降低 MAE，其中 Proposed Photoscan + BIA 在 PhotoBIA Cohort 的 BF% 預測取得最低的 1.98 MAE。**

**數據表（1）BF% Prediction**

| 方法／特徵 | PhotoBIA Cohort | MetabolicMosaic Cohort |
| --- | --- | --- |
| Demographics | 3.44 | 3.39 |
| Proposed BIA | 2.91 | 2.66 |
| Proposed Photoscan | 2.15 | 2.13 |
| Proposed Photoscan + BIA | 1.98 | 2.03 |

**數據表（2）A/G Prediction**

| 方法／特徵 | PhotoBIA Cohort | MetabolicMosaic Cohort |
| --- | --- | --- |
| Demographics | 0.111 | 0.116 |
| Proposed PhotoScan | 0.107 | 0.085 |

**數據表（3）V/S Prediction**

| 方法／特徵 | PhotoBIA Cohort | MetabolicMosaic Cohort |
| --- | --- | --- |
| Demographics | 0.106 | 0.101 |
| Proposed PhotoScan | 0.094 | 0.085 |

## 標籤

研究論文, AIGC, Google, PhotoScan