تشخیص مقاومت به انسولین با عکس گوشی هوشمند

• PhotoScan می‌تواند درصد چربی بدن، نسبت A/G و نسبت V/S را از تصاویر استاندارد دوبعدی گوشی هوشمند برآورد کند.
• در گروه MetabolicMosaic، مدل مبتنی بر PhotoScan به AUROC برابر با ۰.۷۶۰ برای طبقه‌بندی مقاومت به انسولین رسید، در حالی که مدل مبتنی بر DXA به AUROC برابر با ۰.۷۷۳ رسید.
• PhotoScan هنوز یک نمونه اولیه پژوهشی است و هدف پژوهش، بررسی امکان غربالگری قابل‌دسترس و غیرتهاجمی خطر مقاومت به انسولین است.

مقاومت به انسولین چیست و چرا اهمیت دارد؟

مقاومت به انسولین یکی از مهم‌ترین عوامل کمترتشخیص‌داده‌شده در بیماری‌های متابولیک امروزی است. کاهش حساسیت به انسولین می‌تواند سال‌ها پیش از شروع بالینی دیابت نوع ۲ رخ دهد و پیش از آنکه قند خون ناشتا به محدوده تشخیصی برسد، به‌تدریج سلامت عروق، عملکرد کبد و متابولیسم انرژی را مختل کند.

مدل Homeostasis Model Assessment for Insulin Resistance یا HOMA-IR، چرخه بازخورد میان تولید گلوکز در کبد و ترشح انسولین را در شرایط پایدار ناشتا مدل‌سازی می‌کند. بر اساس مرورهای اپیدمیولوژیک، امتیاز HOMA-IR بالاتر از ۲.۹ به‌عنوان مقاومت به انسولین در نظر گرفته می‌شود.

مطالعات اخیر نشان داده‌اند که چارچوب‌های یادگیری ماشین چندوجهی، با ترکیب داده‌های حسگرهای پوشیدنی و آزمایش‌های معمول خون، می‌توانند HOMA-IR را با دقت مناسبی پیش‌بینی کنند تا خطر متابولیک اولیه شناسایی شود.

ترکیب اندازه‌گیری‌های عینی مربوط به ترکیب بدن می‌تواند مکمل مهمی برای فناوری‌های پوشیدنی باشد. ابزارهای پوشیدنی رفتارهای فیزیولوژیک روزانه را ردیابی می‌کنند، در حالی که ترکیب بدن یک ارزیابی ساختاری متفاوت از میزان چربی ارائه می‌دهد. ترکیب این دو نوع اطلاعات می‌تواند تصویر کامل‌تری از خطر متابولیک ایجاد کند.

چرا شاخص توده بدنی به‌تنهایی کافی نیست؟

دانستن درصد کل چربی بدن، یک معیار پایه مناسب برای اندازه‌گیری نسبت توده چربی به توده بدون چربی است. با این حال، نشانگرهای دیگری در ترکیب بدن می‌توانند اطلاعات بالینی عمیق‌تری ارائه دهند.

نسبت چربی آندروئید به ژینوئید

نسبت چربی آندروئید به ژینوئید یا A/G، میزان چربی ذخیره‌شده در ناحیه تنه، یعنی شکل موسوم به «سیبی»، را با چربی ذخیره‌شده در لگن و ران‌ها، یعنی شکل موسوم به «گلابی»، مقایسه می‌کند.

نسبت چربی احشایی به زیرجلدی

نسبت سطح چربی احشایی به زیرجلدی یا V/S، میان چربی داخلی فعال متابولیکی که اطراف اندام‌ها قرار دارد و چربی زیرجلدی که درست زیر پوست ذخیره می‌شود، تمایز ایجاد می‌کند.

نسبت‌های بالاتر A/G و میزان بیشتر چربی احشایی، ارتباط قدرتمندی با شیوع مقاومت به انسولین دارند.

DXA؛ استاندارد طلایی اندازه‌گیری ترکیب بدن

در حال حاضر، استاندارد طلایی برای اندازه‌گیری واقعی ترکیب بدن، اسکن جذب‌سنجی پرتو ایکس با انرژی دوگانه یا DXA است.

اسکن‌های DXA دقت بسیار بالایی دارند، اما برای غربالگری روزمره طراحی نشده‌اند. دلیل این موضوع هزینه بالا، نیاز به زیرساخت تخصصی بالینی و قرار گرفتن بیمار در معرض دوزهای پایین پرتو است.

PhotoScan چگونه مقاومت به انسولین را با عکس گوشی پیش‌بینی می‌کند؟

PhotoScan چگونه ساخته و ارزیابی شد؟

PhotoScan با استخراج مستقیم اطلاعات هندسی بدن از تصاویر گوشی هوشمند، نیاز به اندازه‌گیری‌های بالینی را کاهش می‌دهد. پژوهشگران این چارچوب را در سه مرحله اصلی ساختند و ارزیابی کردند.

۱. پیش‌آموزش با UK Biobank؛ ۳۵٬۳۲۳ نفر

با استفاده از بخشی از مجموعه‌داده UK BioBank که شامل تصاویر MRI و داده‌های واقعی ترکیب بدن حاصل از DXA بود، پژوهشگران یک مدل مبتنی بر ResNet-50 را آموزش دادند.

این مدل با وزن‌های ImageNet مقداردهی اولیه شد. هدف مدل، پیش‌بینی معیارهای ترکیب بدن از تصاویر دوبعدی نمای روبه‌رو و جانبی بود که از اسکن‌های سه‌بعدی MRI تولید شده بودند. اسکن‌های DXA به‌عنوان داده مرجع مورد استفاده قرار گرفتند.

مدل، ویژگی‌های تصویری را همراه با جنسیت، قد، وزن و BMI داخلی شرکت‌کنندگان از طریق یک لایه متراکم نهایی ترکیب کرد تا توزیع‌های چگالی احتمال مربوط به معیارهای هدف را تولید کند.

۲. تنظیم دقیق با PhotoBIA؛ ۶۷۷ نفر

در مرحله دوم، پژوهشگران با استفاده از مجموعه‌داده PhotoBIA، مدل را با عکس‌های واقعی گرفته‌شده توسط گوشی هوشمند که با داده‌های مرجع DXA همراه بودند، تنظیم دقیق کردند. این مرحله با اعتبارسنجی متقاطع پنج‌قسمتی انجام شد.

برای افزایش داده‌های آموزشی، یک فرایند خودکار تشخیص نقاط شاخص بدن، بهترین فریم‌های نمای روبه‌رو و جانبی را مستقیماً از ویدئوهای ۳۶۰ درجه شرکت‌کنندگان انتخاب کرد.

۳. اعتبارسنجی با MetabolicMosaic؛ ۱۳۲ نفر

در مرحله سوم، PhotoScan روی یک گروه مستقل ^[۳] ارزیابی شد. این مدل در معیارهای BF%، نسبت A/G و نسبت V/S، تطابق مناسبی با DXA نشان داد و امکان پیش‌بینی مقاومت به انسولین با دقت نزدیک به DXA را فراهم کرد.

این مجموعه‌داده مستقل از یک مطالعه طولی ۳۰ هفته‌ای در سان‌فرانسیسکو به دست آمد. شرکت‌کنندگان برای DXA، PhotoScan، BIA، اندازه‌گیری‌های آنتروپومتریک، آزمایش‌های خون ناشتا پس از ۱۲ ساعت شامل گلوکز و انسولین ناشتا، پنل کامل چربی خون و سایر داده‌ها، اطلاعات کامل و جفت‌شده داشتند. همچنین پایش غیرفعال و مداوم Fitbit برای آنها انجام شد.

نتایج کلیدی PhotoScan

دقت در برآورد ترکیب بدن

در گروه PhotoBIA، مدل تنظیم‌شده PhotoScan با استفاده از اعتبارسنجی متقاطع پنج‌قسمتی ارزیابی شد.

مدل PhotoScan در پیش‌بینی BF% در کل گروه PhotoBIA میانگین خطای مطلق یا MAE برابر با ۲.۱۵ داشت. در مقابل، مدل مبتنی بر BIA به MAE برابر با ۲.۹۱ رسید.

میانگین MAE برای نسبت A/G برابر با ۰.۱۰۷ و برای نسبت V/S برابر با ۰.۰۹۴ بود.

در گروه مستقل MetabolicMosaic، MAE مربوط به BF%، A/G و V/S نیز با گروه PhotoBIA قابل مقایسه بود. این مقادیر به‌ترتیب ۲.۱۳ برای BF%، ۰.۰۸۵ برای A/G و ۰.۰۸۵ برای V/S بودند.

در مجموع، مدل‌های تنظیم‌شده PhotoScan سازگاری بالایی میان مجموعه‌داده تنظیم دقیق و مجموعه‌داده اعتبارسنجی نشان دادند.

کاهش جزئی A/G و V/S در گروه MetabolicMosaic به سهم بالاتر زنان در این گروه مربوط می‌شود. سهم زنان در MetabolicMosaic برابر با ۶۷ درصد بود، در حالی که این رقم در PhotoBIA برابر با ۵۷ درصد بود.

زنان معمولاً به دلیل ذخیره غالب چربی ژینوئید و زیرجلدی، نسبت‌های مطلق A/G و V/S پایین‌تری دارند. این موضوع باعث کاهش تغییرپذیری منطقه‌ای و خطای پیش‌بینی می‌شود.

طبقه‌بندی مقاومت به انسولین

در مرحله بعد، پژوهشگران بررسی کردند که ترکیب‌های مختلف داده تا چه اندازه می‌توانند مقاومت به انسولین را پیش‌بینی کنند.

آنها اطلاعات جمعیت‌شناختی پایه را با اندازه‌گیری‌های استاندارد نواری، حسگرهای BIA ساعت هوشمند، PhotoScan و اسکن‌های DXA که استاندارد طلایی بالینی محسوب می‌شوند، مقایسه کردند.

مدل‌ها روی گروه MetabolicMosaic با استفاده از یک طبقه‌بند گرادیان بوستینگ برای شناسایی افراد دارای مقاومت به انسولین آزمایش شدند.

برای اطمینان از بی‌طرفی نتایج و جلوگیری از نشت داده، یک فرایند آزمایشی دقیق اجرا شد که مدل را به‌صورت مکرر روی داده‌های دیده‌نشده ارزیابی می‌کرد. همچنین هر گروه آزمایشی بر اساس BMI و وضعیت مقاومت به انسولین به شکل متوازن تقسیم شد تا ارزیابی عملکرد، منصفانه و واقع‌گرایانه باشد.

در این چارچوب، پنج مجموعه ویژگی متفاوت به‌صورت سیستماتیک در اختیار طبقه‌بندی‌کننده قرار گرفتند تا قدرت پیش‌بینی آنها با یکدیگر مقایسه شود:

• اطلاعات جمعیت‌شناختی پایه مانند سن، جنسیت و شاخص توده بدنی
• اندازه‌گیری‌های استاندارد آنتروپومتریک با متر نواری
• تحلیل امپدانس بیوالکتریکی ساعت هوشمند
• معیارهای PhotoScan حاصل از تصاویر گوشی هوشمند
• اسکن‌های بالینی DXA به‌عنوان استاندارد طلایی

با بررسی عملکرد مدل در برابر هر مجموعه ورودی، پژوهشگران ارزش بالینی فنوتیپ‌سازی نوری ترکیب بدن با گوشی هوشمند را ارزیابی کردند.

AUROC و NRI چه چیزی را اندازه‌گیری می‌کنند؟

برای ارزیابی مدل‌ها، پژوهشگران روی دو معیار اصلی تمرکز کردند: مساحت زیر منحنی مشخصه عملکرد گیرنده یا AUROC، و شاخص بازطبقه‌بندی خالص یا NRI.

به زبان ساده، AUROC نشان می‌دهد یک مدل تا چه اندازه می‌تواند فرد دارای مقاومت به انسولین را از فرد بدون مقاومت به انسولین تشخیص دهد. مقدار بالاتر نشان‌دهنده عملکرد بهتر است.

NRI نیز میزان بهبود معیارهای دیجیتال جدید در دسته‌بندی صحیح افراد را در مقایسه با مدل پایه قبلی اندازه‌گیری می‌کند.

مدل پایه جمعیت‌شناختی به AUROC برابر با ۰.۶۹۲ رسید.

هنگامی که ویژگی‌های ترکیب بدن مبتنی بر PhotoScan به مدل اضافه شدند، دقت طبقه‌بندی افزایش یافت. مدل جمعیت‌شناختی به‌علاوه PhotoScan به AUROC برابر با ۰.۷۶۰ و NRI برابر با ۰.۵۹۳ رسید.

این عملکرد تقریباً به اندازه استفاده از داده‌های بالینی DXA مؤثر بود. مدل مبتنی بر اطلاعات جمعیت‌شناختی به‌علاوه DXA به حداکثر AUROC برابر با ۰.۷۷۳ و NRI برابر با ۰.۷۴۸ رسید.

در مقابل، افزودن BIA به اطلاعات جمعیت‌شناختی، یعنی مدل «demo + bia»، هیچ بهبودی در AUROC یا NRI برای طبقه‌بندی مقاومت به انسولین ایجاد نکرد.

دلیل این موضوع آن است که BIA تنها تخمینی از BF% ارائه می‌دهد. اهمیت این ویژگی در مدل «demo + photoscan» به‌طور قابل‌توجهی کمتر از نسبت‌های A/G و V/S است.

نتیجه‌گیری و مسیرهای آینده

روش PhotoScan یک گزینه میانی امیدوارکننده ارائه می‌دهد. این روش می‌تواند ترکیب دقیق‌تر بدن را از تصاویر استاندارد گوشی هوشمند با دقتی نزدیک به DXA برآورد کند.

در نهایت، این پژوهش نشان می‌دهد فنوتیپ‌سازی دیجیتال می‌تواند بخشی از محدودیت‌های روش‌های سنتی آنتروپومتریک مانند BMI را برطرف کند. BMI در بسیاری از موارد تفاوت‌های بالینی مهم در ترکیب بدن را نشان نمی‌دهد.

این مطالعه نشان می‌دهد برآورد نوری ترکیب بدن از تصاویر گوشی هوشمند از نظر فنی امکان‌پذیر است و می‌تواند از نظر بالینی نیز اطلاعات ارزشمندی ارائه دهد.

PhotoScan همچنان یک نمونه اولیه پژوهشی است. با این حال، این رویکرد می‌تواند مسیری برای غربالگری قابل‌دسترس و غیرتهاجمی خطر مقاومت به انسولین ایجاد کند.

با وجود امیدوارکننده بودن این نتایج، ترکیب بدن تنها یکی از مؤلفه‌های سلامت قلبی‌متابولیک است.

در آینده، پژوهشگران قصد دارند ادغام داده‌های چندوجهی را بررسی کنند. این رویکرد شامل ترکیب برآورد ترکیب بدن با داده‌های پیوسته ابزارهای پوشیدنی، پویایی گلوکز و نشانگرهای بالینی خون خواهد بود.

هدف این است که با کنار هم قرار دادن این سیگنال‌های متنوع، رویکردهایی جامع‌تر و قابل‌دسترس‌تر برای مدیریت سلامت متابولیک فردی ایجاد شود.

سؤالات متداول

PhotoScan چیست؟

PhotoScan یک چارچوب یادگیری عمیق تحقیقاتی است که معیارهای ترکیب بدن مانند درصد چربی، نسبت A/G و نسبت V/S را از عکس‌های گوشی هوشمند برآورد می‌کند.

آیا PhotoScan می‌تواند مقاومت به انسولین را تشخیص دهد؟

این پژوهش امکان پیش‌بینی مقاومت به انسولین را بررسی کرده است. PhotoScan همچنان یک نمونه اولیه پژوهشی است و در این مطالعه به‌عنوان یک ابزار غربالگری بالینی عمومی معرفی نشده است.

دقت PhotoScan در مقایسه با DXA چقدر است؟

نتایج مطالعه نشان داد PhotoScan در پیش‌بینی مقاومت به انسولین عملکردی نزدیک به مدل مبتنی بر DXA دارد. AUROC مدل PhotoScan برابر با ۰.۷۶۰ و AUROC مدل DXA برابر با ۰.۷۷۳ بود.

چرا BMI برای ارزیابی خطر متابولیک کافی نیست؟

BMI نمی‌تواند همه تفاوت‌های مهم در ترکیب بدن را نشان دهد. نسبت‌هایی مانند A/G و V/S اطلاعات دقیق‌تری درباره محل ذخیره چربی ارائه می‌کنند.

آیا PhotoScan جایگزین اسکن DXA است؟

خیر. پژوهشگران DXA را همچنان دقیق‌ترین روش اندازه‌گیری ترکیب بدن معرفی می‌کنند. PhotoScan یک نمونه اولیه پژوهشی برای ارائه روشی مقیاس‌پذیر و غیرتهاجمی است.

جمع‌بندی

مقاومت به انسولین می‌تواند سال‌ها پیش از بروز دیابت نوع ۲ شکل بگیرد. پژوهش Google Research نشان می‌دهد PhotoScan می‌تواند با استفاده از عکس‌های معمولی گوشی هوشمند، اطلاعات دقیق‌تری درباره ترکیب بدن استخراج کند و در پیش‌بینی خطر مقاومت به انسولین به عملکردی نزدیک به DXA برسد.

این فناوری هنوز در مرحله پژوهشی قرار دارد، اما نتایج مطالعه نشان می‌دهد تصویربرداری با گوشی هوشمند می‌تواند در آینده به یکی از روش‌های قابل‌دسترس برای بررسی ترکیب بدن و پژوهش درباره خطر متابولیک تبدیل شود.

برای آگاهی بیشتر درباره فناوری‌های نوین سلامت دیجیتال، پژوهش‌های هوش مصنوعی پزشکی و ابزارهای پوشیدنی، تازه‌ترین مطالب این حوزه را دنبال کنید.

منابع و توضیحات مطالعه

1. این مطالعه با استفاده از منبع UK Biobank و تحت شماره درخواست 65275 انجام شد.
2. داده‌ها با استفاده از عکاسی با گوشی Pixel و BIA ساعت هوشمند در مقایسه با DXA جمع‌آوری شدند. شماره IRB: Pro00065782.
3. ۱۳۲ فرد در یک مطالعه طولی ثبت‌نام کردند. شماره تأیید IRB برابر با 20241060 بود.