Το PhotoScan της Google μετατρέπει το smartphone σε διαγνωστικό εργαλείο για τον μεταβολικό κίνδυνο

Σύνοψη

• Η Google παρουσίασε το PhotoScan, ένα πρωτοποριακό μοντέλο βαθιάς εκμάθησης (deep learning) που αναλύει με κορυφαία ακρίβεια τη σύσταση του ανθρώπινου σώματος μέσα από απλές δισδιάστατες (2D) φωτογραφίες.
• Το σύστημα εντοπίζει τον κίνδυνο ινσουλινοαντίστασης με ποσοστά επιτυχίας που αγγίζουν τις κλινικές σαρώσεις DXA, μετρώντας το συνολικό ποσοστό λίπους και τις κρίσιμες αναλογίες σπλαχνικού προς υποδόριο λίπος.
• Σε αντίθεση με τους αισθητήρες BIA (Bioelectrical Impedance Analysis) των σύγχρονων smartwatches που προσφέρουν μόνο βασικές μετρήσεις, το PhotoScan παρέχει εν τω βάθει ανάλυση της κατανομής του λίπους στο σώμα.
• Η τεχνητή νοημοσύνη της Google εκπαιδεύτηκε σε περισσότερα από 35.000 ιατρικά αρχεία από το UK Biobank, αξιοποιώντας συνδυαστικά δεδομένα από μαγνητικές τομογραφίες και παραδοσιακές μετρήσεις βάρους και ύψους.

Το PhotoScan αποτελεί ένα προηγμένο ερευνητικό μοντέλο τεχνητής νοημοσύνης της Google, το οποίο χρησιμοποιεί απλές δισδιάστατες (2D) φωτογραφίες από την κάμερα ενός smartphone για να υπολογίσει το ποσοστό σωματικού λίπους, καθώς και τις αναλογίες Android-to-Gynoid (A/G) και Visceral-to-Subcutaneous (V/S). Επιτυγχάνει διαγνωστική ακρίβεια εφάμιλλη των εξειδικευμένων κλινικών σαρώσεων DXA (με δείκτη AUROC στο 0.760), ανιχνεύοντας εγκαίρως την ινσουλινοαντίσταση, ξεπερνώντας κατά πολύ τις δυνατότητες των ενσωματωμένων αισθητήρων των σημερινών smartwatches.

Η σύγχρονη ιατρική κοινότητα αναγνωρίζει την ινσουλινοαντίσταση ως έναν από τους πλέον κρίσιμους, αλλά ταυτόχρονα διαρκώς υποδιαγνωσμένους, κινητήριους μοχλούς της σύγχρονης μεταβολικής νόσου. Προηγούμενη της κλινικής έναρξης του διαβήτη τύπου 2 κατά πολλά χρόνια, η μειωμένη ευαισθησία στην ινσουλίνη επηρεάζει αθόρυβα την αγγειακή υγεία, την ηπατική λειτουργία και τον ενεργειακό μεταβολισμό, πολύ πριν τα επίπεδα σακχάρου στο αίμα νηστείας αυξηθούν σε διαγνωστικά ανησυχητικά επίπεδα. 

Η αξιολόγηση μέσω του μοντέλου ομοιόστασης για την ινσουλινοαντίσταση (HOMA-IR) αναλύει τον βρόχο ανάδρασης μεταξύ της παραγωγής γλυκόζης από το ήπαρ και της έκκρισης ινσουλίνης, με μια βαθμολογία HOMA-IR μεγαλύτερη του 2.9 να θεωρείται το κατώφλι της ινσουλινοαντίστασης βάσει εκτενών επιδημιολογικών ανασκοπήσεων. Ενώ τα σύγχρονα wearables παρακολουθούν αποτελεσματικά τις καθημερινές φυσιολογικές συμπεριφορές του χρήστη, η αντικειμενική δομική αξιολόγηση της σύστασης του σώματος προσφέρει μια εντελώς διαφορετική και απαραίτητη κλινική εικόνα.

Ξεπερνώντας τους περιορισμούς του απλού Δείκτη Μάζας Σώματος

Αν και η γνώση του συνολικού ποσοστού σωματικού λίπους αποτελεί μια καλή βάση για τη μέτρηση της λιπώδους ιστού έναντι της άλιπης μάζας, οι εξειδικευμένοι βιοδείκτες της σύστασης του σώματος παρέχουν ασύγκριτα βαθύτερες κλινικές γνώσεις. Η αναλογία λίπους Android-to-Gynoid (A/G), για παράδειγμα, συγκρίνει το λίπος που αποθηκεύεται στον κορμό (ο γνωστός σωματότυπος «μήλο») έναντι αυτού που εντοπίζεται στους γοφούς και τους μηρούς (σωματότυπος «αχλάδι»). Παράλληλα, η αναλογία σπλαχνικού προς υποδόριο λίπος (V/S) διακρίνει το εξαιρετικά μεταβολικά ενεργό εσωτερικό λίπος που περιβάλλει τα ζωτικά όργανα από το υποδόριο λίπος που αποθηκεύεται ακριβώς κάτω από το δέρμα.

Οι αυξημένες αναλογίες A/G και η υψηλότερη μάζα σπλαχνικού λίπους συσχετίζονται άμεσα και ισχυρά με τον επιπολασμό της αντίστασης στην ινσουλίνη. Μέχρι σήμερα, το απόλυτο χρυσό πρότυπο για τη μέτρηση της πραγματικής σύστασης του σώματος είναι οι σαρώσεις απορροφησιομετρίας ακτίνων Χ διπλής ενέργειας (DXA). Ωστόσο, αυτές οι σαρώσεις, παρά την εκπληκτική τους ακρίβεια, δεν είναι πρακτικές για τον καθημερινό ή τον προληπτικό έλεγχο του γενικού πληθυσμού, καθώς απαιτούν ακριβό εξοπλισμό, εξειδικευμένη κλινική υποδομή και, κυρίως, εκθέτουν τους ασθενείς σε χαμηλές, αλλά υπαρκτές, δόσεις ακτινοβολίας.

Πώς λειτουργεί το PhotoScan και η ανάλυση των 2D εικόνων

Αξιοποιώντας την ολοένα και αυξανόμενη ικανότητα των smartphones να παρακολουθούν παθητικά την υγεία των χρηστών μέσω της καθημερινής χρήσης, το τμήμα Google Research ανέπτυξε το PhotoScan, παρακάμπτοντας τις χρονοβόρες κλινικές μετρήσεις μέσω της απευθείας εξαγωγής γεωμετρικών πληροφοριών από ψηφιακές εικόνες. Ο τεχνικός πυρήνας αυτού του εγχειρήματος βασίζεται σε ένα βαθύ νευρωνικό δίκτυο, συγκριμένα στην αρχιτεκτονική ResNet-50, η οποία αρχικοποιήθηκε με βάρη από το ImageNet.

Η εκπαίδευση του αλγορίθμου πραγματοποιήθηκε σε τρεις εξαιρετικά απαιτητικές φάσεις. Στη φάση της προ-εκπαίδευσης, η Google χρησιμοποίησε ένα τεράστιο σύνολο δεδομένων με 35.323 εγγραφές συμμετεχόντων από το UK Biobank, συνδυάζοντας εικόνες μαγνητικής τομογραφίας (MRI) με την απόλυτη αλήθεια (ground truth) που παρείχαν οι σαρώσεις DXA. Το μοντέλο συγχώνευσε τα χαρακτηριστικά των εικόνων με τα δημογραφικά στοιχεία των συμμετεχόντων, δημιουργώντας λειτουργίες πυκνότητας πιθανότητας για τις στοχευμένες μετρήσεις. Στη συνέχεια, κατά τη φάση της μικρορύθμισης (fine-tuning), το σύστημα τροφοδοτήθηκε με δεδομένα από το PhotoBIA, η οποία περιελάμβανε 677 ενήλικες. Εκεί, χρησιμοποιήθηκαν πραγματικές φωτογραφίες από smartphones σε συνδυασμό με αποτελέσματα DXA, εφαρμόζοντας μάλιστα μια αυτοματοποιημένη ροή ανίχνευσης ορόσημων στο σώμα από βίντεο 360 μοιρών.

Η υπεροχή απέναντι στα smartwatches και τη μέθοδο BIA

Τα αποτελέσματα της επικύρωσης σε μια ανεξάρτητη ομάδα 132 ατόμων (κοόρτη MetabolicMosaic) ήταν εντυπωσιακά. Το PhotoScan σημείωσε μέσο απόλυτο σφάλμα (MAE) μόλις 2.15 για την πρόβλεψη του ποσοστού σωματικού λίπους, τη στιγμή που τα σύγχρονα συστήματα ανάλυσης βιοηλεκτρικής εμπέδησης (BIA) των έξυπνων ρολογιών κατέγραψαν σημαντικά υψηλότερο σφάλμα στο 2.91. Το πιο εντυπωσιακό στοιχείο, όμως, είναι ότι οι αισθητήρες BIA δεν μπορούν εκ σχεδιασμού να υπολογίσουν τις αναλογίες A/G και V/S, καθιστώντας τα δεδομένα τους ανεπαρκή για τη βαθιά εκτίμηση του μεταβολικού κινδύνου. Αντιθέτως, ο αλγόριθμος της Google κατόρθωσε να προσφέρει αξιόπιστες μετρήσεις γι' αυτούς τους εξαιρετικά κρίσιμους δείκτες, λαμβάνοντας υπόψη ακόμη και τις φυσιολογικές διαφοροποιήσεις στην κατανομή του λίπους μεταξύ των δύο φύλων.

Η μάχη ενάντια στην ινσουλινοαντίσταση

Για να αποδείξουν την πραγματική κλινική αξία του PhotoScan, οι ερευνητές της Google χρησιμοποίησαν έναν ταξινομητή ενίσχυσης κλίσης με σκοπό τον ακριβή εντοπισμό των ατόμων που πάσχουν από ινσουλινοαντίσταση. Εφαρμόζοντας αυστηρά πρωτόκολλα δοκιμών προκειμένου να αποκλειστεί κάθε πιθανότητα μεροληψίας στα αποτελέσματα, η ομάδα σύγκρινε την προγνωστική δύναμη διαφορετικών σετ δεδομένων, εστιάζοντας στις μετρήσεις AUROC (Area Under the Receiver Operating Characteristic) και NRI (Net Reclassification Index).

Τα δεδομένα κατέδειξαν ότι ένα βασικό δημογραφικό μοντέλο, το οποίο βασίζεται αποκλειστικά στην ηλικία, το φύλο και τον παραδοσιακό Δείκτη Μάζας Σώματος (BMI), επιτυγχάνει σκορ AUROC 0.692. Η προσθήκη των δεδομένων BIA από τα smartwatches δεν προσέφερε καμία απολύτως βελτίωση στον εντοπισμό της ινσουλινοαντίστασης. Αντιθέτως, όταν το σύστημα τροφοδοτήθηκε με τα δεδομένα του PhotoScan, η ακρίβεια ταξινόμησης εκτοξεύτηκε στο 0.760, προσεγγίζοντας εντυπωσιακά την απόδοση των κλινικών δεδομένων DXA, τα οποία παραμένουν στην κορυφή με σκορ 0.773. 

Η τεχνολογία αυτή υποδεικνύει ότι η οπτική εκτίμηση της σύστασης του σώματος μέσω ενός κοινού smartphone είναι και τεχνικά εφικτή, αλλά και εξαιρετικά κατατοπιστική σε κλινικό επίπεδο, ανοίγοντας τον δρόμο για τη μαζική, μη επεμβατική αξιολόγηση του μεταβολικού κινδύνου του γενικού πληθυσμού.