Okostelefonos fotókból becsülné az inzulinrezisztencia kockázatát a Google Research

A BMI-n túl keresné a korai anyagcserekockázat jeleit

A Google Research szerint az inzulinrezisztencia a modern anyagcsere-betegségek egyik kritikus, mégis gyakran aluldiagnosztizált hajtóereje. A forrás kiemeli, hogy a romló inzulinérzékenység évekkel megelőzheti a 2-es típusú diabétesz klinikai megjelenését, és már a diagnosztikus tartományba emelkedő éhomi vércukorszint előtt hatással lehet az érrendszeri egészségre, a májműködésre és az energia-anyagcserére.

A bejegyzésben szereplő HOMA-IR mutató az éhomi állapotban fennálló májglükóz-termelés és inzulinszekréció visszacsatolását modellezi. A Google Research a forrásban azt írja, hogy a 2,9-nél magasabb HOMA-IR érték epidemiológiai áttekintések alapján inzulinrezisztens állapotnak számít.

A kutatók szerint a teljes testzsírszázalék fontos kiindulópont, de más testösszetételi biomarkerek mélyebb klinikai információt adhatnak. Ilyen az Android-to-Gynoid fat ratio, vagyis az A/G arány, amely a törzsben tárolt zsír és a csípő, illetve comb területén tárolt zsír viszonyát írja le. A Visceral-to-Subcutaneous fat area ratio, vagyis a V/S arány a szervek körüli belső zsírt és a bőr alatti zsírt hasonlítja össze. A forrás szerint az emelkedett A/G arány és a magasabb zsigeri zsírtömeg erősen összefügg az inzulinrezisztencia előfordulásával.

Mit csinál a PhotoScan?

A PhotoScan a Google Research kísérleti mélytanulási keretrendszere, amely szabványos 2D okostelefonos fotókból becsül háromdimenziós testösszetételi mutatókat. A felsorolt célmutatók közé tartozik a testzsírszázalék, az A/G arány és a V/S arány.

A jelenlegi klinikai arany standardként a forrás a Dual-Energy X-Ray Absorptiometry, röviden DXA-vizsgálatokat nevezi meg. Ezek nagyon pontosak, de a Google Research szerint nem mindennapi szűrésre készültek, mert drágák, speciális klinikai infrastruktúrát igényelnek, és alacsony dózisú sugárterheléssel járnak.

A PhotoScan fejlesztéséhez a kutatók több mint 35 000 UK Biobank résztvevői rekorddal előtanítottak egy mély neurális hálót, majd egy 677 felnőttből álló új kohorszon finomhangolták. A Google Research állítása szerint a klinikai kohorszokon validált rendszer a testzsírszázalék becslésében nagyobb pontosságot mutatott, mint az okosórás bioelektromos impedanciaelemzésen alapuló érzékelők, miközben az A/G és V/S arányokat is becsülni tudta, ami túlmutat a BIA képességein.

Három kutatási fázisban építették fel a modellt

A keretrendszert három fő lépésben építették és értékelték. Az előtanítás a UK Biobank egy 35 323 fős részhalmazán történt. Ez a készlet MRI-képeket és DXA-ból származó testösszetételi referenciaadatokat tartalmazott. A kutatók egy ImageNet súlyokkal inicializált ResNet-50 gerincet tanítottak arra, hogy 3D MRI-vizsgálatokból generált 2D elülső és oldalsó projekciós képekből becsüljön testösszetételi mutatókat, DXA referenciaértékek alapján.

A finomhangoláshoz a PhotoBIA kohorsz 677 fős adatait használták. Ebben valós okostelefonos fotókat párosítottak DXA referenciaadatokkal, 5-szörös keresztvalidáció mellett. A tanítóadatok bővítésére egy automatizált tájékozódási pontokat felismerő eljárás választotta ki az optimális elülső és oldalsó testtartású képkockákat 360 fokos résztvevői videókból.

A független validáció a 132 fős MetabolicMosaic kohorszon történt. A forrás szerint ez egy 30 hetes, San Franciscóban zajló longitudinális vizsgálatból származott. A résztvevőknél párosított DXA, PhotoScan, BIA, antropometriai adatok, 12 órás éhezés utáni vérlaboreredmények, köztük éhomi glükóz és inzulin, teljes lipidpanel, valamint passzív, folyamatos Fitbit-követés is rendelkezésre állt.

A PhotoScan közelítette a DXA-alapú besorolást

A PhotoBIA kohorszon, 5-szörös keresztvalidációval mérve a finomhangolt PhotoScan modell átlagos abszolút hibája 2,15 volt a testzsírszázalék becslésében. A BIA-alapú modellnél ugyanez az érték 2,91 volt. Az átlagos abszolút hiba az A/G aránynál 0,107, a V/S aránynál 0,094 volt.

A független MetabolicMosaic validációban a testzsírszázalék, az A/G arány és a V/S arány hibái a Google Research szerint összevethetők voltak a PhotoBIA kohorsz eredményeivel: 2,13 a testzsírszázaléknál, 0,085 az A/G aránynál és 0,085 a V/S aránynál. A forrás szerint a MetabolicMosaic kohorszban megfigyelt kisebb A/G és V/S csökkenést az magyarázza, hogy ebben magasabb volt a női rekordok aránya, 67%, mint a PhotoBIA kohorszban, ahol 57% volt.

Az inzulinrezisztencia osztályozásához a kutatók a MetabolicMosaic kohorszon gradiens boosting osztályozót használtak. Öt különböző jellemzőkészletet hasonlítottak össze: demográfiai alapadatokat, például életkort, nemet és testtömegindexet, mérőszalagos antropometriai adatokat, okosórás bioelektromos impedanciaadatokat, PhotoScan-mutatókat és DXA-vizsgálati adatokat.

A demográfiai alapmodell AUROC értéke 0,692 volt. Amikor ehhez PhotoScan-alapú testösszetételi jellemzőket adtak, az AUROC 0,760-ra javult, az NRI pedig 0,593 lett. A DXA-adatokkal kiegészített modell AUROC értéke 0,773, NRI értéke 0,748 volt. A forrás szerint a demográfiai adatokhoz adott BIA nem javította az AUROC vagy NRI értékeket az inzulinrezisztencia osztályozásában, mivel a BIA csak testzsírszázalék-becslést ad, amelynek jellemzőfontossága alacsonyabb volt, mint az A/G és V/S arányé a PhotoScan-modellben.

Mit jelenthet ez a felhasználóknak és az egészségügyi piacnak?

A Google Research a PhotoScant kutatási, kísérleti keretrendszerként írja le. A bejelentés jelentősége ezért abban áll, hogy a kutatók szerint az okostelefonos képekből nyert optikai testösszetételi becslések klinikai kohorszokon mérve közelíthetik a DXA-alapú inzulinrezisztencia-besorolás teljesítményét.

Felhasználói szempontból a forrásból az következik, hogy a módszer a jövőben skálázható, nem invazív módot kínálhat a testösszetételi mutatók becslésére. Piaci oldalról a hangsúly az okostelefonokra és a viselhető eszközökre épülő egészségfigyelés kiegészítésén van: a viselhető eszközök a napi élettani viselkedésről adhatnak adatokat, míg a testösszetétel a zsíreloszlás szerkezeti értékelésével járulhat hozzá az anyagcserekockázat képéhez.

A forrás nem közöl fogyasztói bevezetési dátumot, árat vagy elérhetőséget. A bemutatott eredmények klinikai kutatási környezetre vonatkoznak.