// SCINEXX — SPAZIO & SCIENZA
KI-Fotoanalyse ermittelt Körperfett genauer als Smartwatches
Der Body-Mass-Index ist leicht zu bestimmen, sagt aber wenig darüber aus, wie viel Fett ein Mensch trägt und wo es sitzt. Ein Google-Modell konnte diese Körpermerkmale aus Smartphone-Fotos abschätzen und bestimmte den Körperfettanteil in den Tests genauer als ein Smartwatch-Verfahren. Die Fotoanalyse verbesserte zudem die Erkennung einer Insulinresistenz fast so stark wie klinische DXA-Daten, ist bislang aber nur ein nicht fachbegutachteter Forschungsprototyp.
Mountain View (U.S.A.). Der Body-Mass-Index (BMI) setzt Körpergewicht und Größe ins Verhältnis und eignet sich dadurch als grobes Maß für Übergewicht. Er unterscheidet jedoch weder zwischen Fett- und Muskelmasse noch zwischen verschiedenen Fettdepots. Frühere Untersuchungen zeigen zudem, dass die Verteilung des Körperfetts mit dem Stoffwechselrisiko zusammenhängen kann, selbst wenn das Körpergewicht allein unauffällig erscheint.
Forscher von Google Research um Menglian Zhou haben nun geprüft, ob Smartphone-Aufnahmen diese Lücke verkleinern können, indem sie nicht nur den Fettanteil, sondern auch dessen Verteilung erfassen. Ihr System PhotoScan soll aus einem Frontal- und einem Seitenbild drei Maße der Körperzusammensetzung bestimmen, wobei die Ergebnisse derzeit nur als Preprint vorliegen und noch nicht fachbegutachtet sind.
Für das Vortraining nutzte das Team Daten von 35.323 Teilnehmern der UK Biobank, bei denen sowohl Magnetresonanztomografie (MRT) als auch Dual-Röntgen-Absorptiometrie (DXA) zur Körperanalyse vorlagen. Aus den dreidimensionalen MRT-Daten erzeugten die Forscher frontale und seitliche Projektionen, während die DXA-Werte als Referenz für den tatsächlichen Körperfettanteil und seine Verteilung dienten.
Anschließend passten die Wissenschaftler das Modell mit Smartphone-Aufnahmen von 677 Erwachsenen aus der PhotoBIA-Kohorte an, für die ebenfalls DXA-Referenzwerte vorhanden waren. PhotoScan verarbeitet frontale und seitliche Körperbilder, die im Untersuchungsaufbau unter anderem mit Pixel-Smartphones aufgenommen wurden, und kombiniert die Bildinformationen mit Angaben wie Geschlecht, Größe und Gewicht. Eine unabhängige Prüfung folgte an 132 Erwachsenen der MetabolicMosaic-Kohorte, von denen insgesamt 195 vollständige Untersuchungstermine mit DXA, PhotoScan und bioelektrischer Impedanzanalyse (BIA) ausgewertet werden konnten.
Für die unabhängige Prüfung wurden pro Besuch mehrere Aufnahmen aus zwei Kamerahöhen und zwei Posen ausgewertet, wobei die Schätzungen der linken und rechten Seitenansicht gemittelt wurden.
Beim Körperfettanteil wich PhotoScan in der PhotoBIA-Kohorte im Mittel um 2,15 Prozentpunkte vom DXA-Wert ab, während das Vergleichsmodell auf Basis der BIA auf 2,91 Prozentpunkte kam. Ein Modell, das nur demografische Angaben wie Alter, Geschlecht, Größe und Gewicht nutzte, lag mit einem mittleren Fehler von 3,44 Prozentpunkten noch darüber. Kombinierten die Forscher PhotoScan und BIA, sank die mittlere Abweichung auf 1,98 Prozentpunkte.
Auch in der unabhängigen MetabolicMosaic-Kohorte blieb die Fotoanalyse mit einem mittleren Fehler von 2,13 Prozentpunkten ähnlich genau wie zuvor. Zusätzlich schätzte PhotoScan das Verhältnis von Fett im Rumpfbereich zu Fett an Hüften und Oberschenkeln sowie das Verhältnis von viszeralem zu Unterhautfett, also Merkmale, die der BMI nicht abbilden kann.
Die Forscher testeten außerdem, ob diese Körpermerkmale helfen, eine Insulinresistenz zu erkennen, und nutzten dafür den aus Nüchtern-Glukose und Nüchtern-Insulin berechneten Wert des Homeostasis Model Assessment for Insulin Resistance (HOMA-IR) als Referenz. Ein Grundmodell aus Alter, Geschlecht und BMI erreichte eine Fläche unter der Receiver-Operating-Characteristic-Kurve (AUROC) von 0,692, wobei diese Kennzahl beschreibt, wie gut ein Verfahren Personen mit und ohne das gesuchte Merkmal voneinander trennt.
Mit den von PhotoScan geschätzten Körpermerkmalen stieg die AUROC auf 0,760 und kam damit nahe an die 0,773 heran, die das Modell mit echten DXA-Körperda