Σύνοψη
- Η Google Research παρουσίασε το PhotoScan, ένα ερευνητικό σύστημα AI που εκτιμά τη σύσταση σώματος από φωτογραφίες smartphone
- Το μοντέλο εκπαιδεύτηκε αρχικά με δεδομένα 35.323 συμμετεχόντων του UK Biobank και προσαρμόστηκε σε 677 ενήλικες
- Στην ανεξάρτητη επικύρωση εμφάνισε μέσο απόλυτο σφάλμα 2,13 ποσοστιαίων μονάδων για το ποσοστό σωματικού λίπους
- Η προσθήκη των δεδομένων PhotoScan ανέβασε την AUROC για αντίσταση στην ινσουλίνη από 0,692 σε 0,760
- Τα δεδομένα DXA έφτασαν σε AUROC 0,773, ελαφρώς υψηλότερα από το PhotoScan
- Το σύστημα παραμένει ερευνητικό πρωτότυπο και δεν έχει ανακοινωθεί ως καταναλωτική ή ιατρική λειτουργία
- Τι ακριβώς μετρά το PhotoScan
- Πώς εκπαιδεύτηκε το μοντέλο
- Πόσο κοντά έφτασε στις μετρήσεις DXA
- Η μεγάλη διαφορά φάνηκε στην αντίσταση στην ινσουλίνη
- Γιατί το BMI δεν αρκεί πάντα
- Δεν είναι εφαρμογή που μπορεί να χρησιμοποιήσει σήμερα ο καταναλωτής
- Οι φωτογραφίες του smartphone γίνονται βιομετρικός αισθητήρας
- Τι πιστεύουμε
- Συχνές ερωτήσεις
Η Google Research παρουσίασε το PhotoScan, ένα ερευνητικό σύστημα τεχνητής νοημοσύνης που εκτιμά τη σύσταση του σώματος από φωτογραφίες smartphone και μπορεί να βελτιώσει την πρόβλεψη της αντίστασης στην ινσουλίνη πέρα από όσα προσφέρει μόνο ο Δείκτης Μάζας Σώματος.
Η εργασία δείχνει ότι πληροφορίες που εξάγονται οπτικά από το σώμα μπορούν, σε ερευνητικό περιβάλλον, να πλησιάσουν την απόδοση εξετάσεων DXA στην εκτίμηση καρδιομεταβολικού κινδύνου.
Η Google Research δημοσίευσε στις 17 Αυγούστου 2026 νέα αποτελέσματα για το PhotoScan, ένα υπό ανάπτυξη σύστημα deep learning που αναλύει τυπικές φωτογραφίες σώματος από smartphone και εκτιμά δείκτες όπως το συνολικό ποσοστό λίπους, την αναλογία λίπους μεταξύ κορμού και γοφών και την αναλογία σπλαχνικού προς υποδόριο λίπος.
Η σημασία της έρευνας βρίσκεται στο ότι το BMI, παρότι εύκολο και ευρέως χρησιμοποιούμενο, δεν δείχνει πού βρίσκεται το λίπος ούτε διαχωρίζει επαρκώς τη λιπώδη από την άλιπη μάζα. Το PhotoScan επιχειρεί να προσθέσει αυτή την πληροφορία χωρίς να απαιτείται εξειδικευμένος σαρωτής, με στόχο μια πιο προσβάσιμη μορφή αξιολόγησης του καρδιομεταβολικού κινδύνου.
Τι ακριβώς μετρά το PhotoScan
Το σύστημα δεν προσπαθεί απλώς να εκτιμήσει βάρος ή BMI από μια εικόνα. Εκπαιδεύτηκε ώστε να προβλέπει τρεις πιο εξειδικευμένους δείκτες σύστασης σώματος: το ποσοστό σωματικού λίπους (BF%), την αναλογία Android-to-Gynoid fat ή A/G και την αναλογία Visceral-to-Subcutaneous fat ή V/S.
Η αναλογία A/G συγκρίνει, σε γενικές γραμμές, τη συσσώρευση λίπους στην περιοχή του κορμού με εκείνη στους γοφούς και στους μηρούς. Η V/S εξετάζει τη σχέση μεταξύ σπλαχνικού λίπους, δηλαδή του λίπους γύρω από τα εσωτερικά όργανα, και υποδόριου λίπους κάτω από το δέρμα. Η κατανομή αυτή μπορεί να δίνει περισσότερη πληροφορία για τον μεταβολικό κίνδυνο από ένα απλό συνολικό ποσοστό λίπους.
Πώς εκπαιδεύτηκε το μοντέλο
Η ανάπτυξη έγινε σε τρία βασικά στάδια. Αρχικά, η Google προεκπαίδευσε ένα νευρωνικό δίκτυο ResNet-50 με δεδομένα 35.323 συμμετεχόντων από το UK Biobank. Από τρισδιάστατες MRI δημιουργήθηκαν εμπρόσθιες και πλευρικές 2D προβολές, ενώ οι μετρήσεις DXA χρησιμοποιήθηκαν ως σημείο αναφοράς για τη σύσταση σώματος.
Στη συνέχεια, το σύστημα προσαρμόστηκε σε πραγματικές φωτογραφίες smartphone μέσω του PhotoBIA cohort, το οποίο περιλάμβανε 677 ενήλικες. Οι φωτογραφίες αντιστοιχίστηκαν με πραγματικές μετρήσεις DXA και χρησιμοποιήθηκε πενταπλή διασταυρούμενη επικύρωση.
Τέλος, η απόδοση ελέγχθηκε σε ανεξάρτητη ομάδα 132 ατόμων στο MetabolicMosaic cohort. Η ομάδα αυτή συμμετείχε σε διαχρονική μελέτη 30 εβδομάδων στο Σαν Φρανσίσκο, με δεδομένα από DXA, PhotoScan, βιοηλεκτρική εμπέδηση, ανθρωπομετρικές μετρήσεις, αιματολογικές εξετάσεις νηστείας και συνεχή καταγραφή μέσω Fitbit.
Πόσο κοντά έφτασε στις μετρήσεις DXA
Στο PhotoBIA cohort, το PhotoScan εμφάνισε μέσο απόλυτο σφάλμα 2,15 ποσοστιαίων μονάδων στην εκτίμηση του ποσοστού σωματικού λίπους. Για σύγκριση, το μοντέλο που βασίστηκε σε BIA είχε σφάλμα 2,91.
Στην ανεξάρτητη ομάδα MetabolicMosaic, το μέσο απόλυτο σφάλμα ήταν 2,13 για το ποσοστό λίπους, 0,085 για την A/G και 0,085 για τη V/S. Τα αποτελέσματα κρίθηκαν από τους ερευνητές συνεπή μεταξύ της φάσης προσαρμογής και της ανεξάρτητης επικύρωσης.
Η συγκεκριμένη σύγκριση έχει ιδιαίτερη σημασία επειδή οι εξετάσεις Dual-Energy X-Ray Absorptiometry θεωρούνται από τις πλέον ακριβείς μεθόδους εκτίμησης σύστασης σώματος, αλλά απαιτούν εξειδικευμένο κλινικό εξοπλισμό και συνεπάγονται μικρή έκθεση σε ακτινοβολία.
Η μεγάλη διαφορά φάνηκε στην αντίσταση στην ινσουλίνη
Οι ερευνητές δεν περιορίστηκαν στην εκτίμηση του λίπους. Χρησιμοποίησαν τα δεδομένα του PhotoScan για να εξετάσουν κατά πόσο μπορούν να βοηθήσουν στην ταξινόμηση ατόμων με αντίσταση στην ινσουλίνη.
Ένα βασικό μοντέλο που χρησιμοποιούσε ηλικία, φύλο και BMI πέτυχε AUROC 0,692. Όταν προστέθηκαν οι δείκτες σύστασης σώματος από το PhotoScan, η τιμή ανέβηκε σε 0,760, με NRI 0,593. Η διαφορά στην AUROC ήταν στατιστικά σημαντική σύμφωνα με τη μελέτη.
Με δεδομένα DXA, η AUROC έφτασε στο 0,773 και το NRI στο 0,748. Με άλλα λόγια, το PhotoScan πλησίασε την απόδοση του κλινικού DXA σε αυτή τη συγκεκριμένη ερευνητική δοκιμή, χωρίς όμως να την ξεπεράσει.
Αντίθετα, σύμφωνα με την Google, η προσθήκη μετρήσεων BIA από smartwatch δεν βελτίωσε την AUROC ή το NRI έναντι του βασικού δημογραφικού μοντέλου στην ίδια αξιολόγηση. Οι ερευνητές αποδίδουν μέρος της διαφοράς στο ότι το BIA παρέχει κυρίως εκτίμηση συνολικού ποσοστού λίπους, ενώ το PhotoScan επιχειρεί να εκτιμήσει και την κατανομή του.
Γιατί το BMI δεν αρκεί πάντα
Το BMI υπολογίζεται από το βάρος και το ύψος και αποτελεί χρήσιμο πληθυσμιακό δείκτη, όμως δεν μπορεί να περιγράψει άμεσα τη σύσταση του σώματος.
Δύο άτομα με παρόμοιο BMI μπορούν να έχουν διαφορετική μυϊκή μάζα, ποσοστό λίπους και κυρίως διαφορετική κατανομή του λίπους. Η έρευνα της Google βασίζεται στην υπόθεση ότι αυτή η επιπλέον γεωμετρική πληροφορία που «βλέπει» η κάμερα μπορεί να προσφέρει κλινικά χρήσιμα σήματα που χάνονται όταν εξετάζεται μόνο το BMI.
Δεν είναι εφαρμογή που μπορεί να χρησιμοποιήσει σήμερα ο καταναλωτής
Το PhotoScan παραμένει ερευνητικό πρωτότυπο. Η ίδια η Google το χαρακτηρίζει investigational framework και δεν έχει ανακοινώσει εμπορική διάθεση, ενσωμάτωση σε Pixel, Fitbit ή άλλη υπηρεσία υγείας.
Επίσης, τα αποτελέσματα δεν σημαίνουν ότι μία απλή φωτογραφία μπορεί να αντικαταστήσει κλινική διάγνωση ή εργαστηριακές εξετάσεις. Η συγκεκριμένη εργασία αξιολογεί τη δυνατότητα ενός μοντέλου να εκτιμά δείκτες σύστασης σώματος και να συνεισφέρει σε μοντέλα ταξινόμησης κινδύνου σε ελεγχόμενα ερευνητικά δεδομένα.
Η ίδια η Google επισημαίνει ότι η σύσταση σώματος αποτελεί μόνο μία διάσταση της καρδιομεταβολικής υγείας και εξετάζει μελλοντικά τον συνδυασμό της με δεδομένα wearables, μεταβολές γλυκόζης και εργαστηριακούς βιοδείκτες.
Οι φωτογραφίες του smartphone γίνονται βιομετρικός αισθητήρας
Το ενδιαφέρον στοιχείο δεν είναι μόνο η ακρίβεια του συγκεκριμένου μοντέλου αλλά η ευρύτερη μετατόπιση στον ρόλο της κάμερας. Η κάμερα ενός smartphone παύει σταδιακά να λειτουργεί αποκλειστικά ως μέσο καταγραφής εικόνας και μπορεί να χρησιμοποιηθεί ως αισθητήρας από τον οποίο συστήματα machine learning εξάγουν πληροφορίες που δεν είναι άμεσα ορατές στον χρήστη.
Η Google έχει ήδη επενδύσει έντονα στην οπτική κατανόηση μέσω AI. Το PTTL έχει καλύψει στο παρελθόν τη δυνατότητα της Google να απαντά σε ερωτήσεις σχετικά με όσα βλέπει η κάμερα του smartphone, μια διαφορετική εφαρμογή της ίδιας ευρύτερης κατεύθυνσης: η εικόνα χρησιμοποιείται ως πηγή δεδομένων και όχι απλώς ως φωτογραφία.
Στην περίπτωση της υγείας, όμως, η μετάβαση αυτή συνοδεύεται από πολύ υψηλότερες απαιτήσεις αξιοπιστίας, προστασίας προσωπικών δεδομένων και κλινικής επικύρωσης, επειδή οι εικόνες σώματος και τα συμπεράσματα που μπορούν να εξαχθούν από αυτές αποτελούν ιδιαίτερα ευαίσθητες πληροφορίες.
Τι πιστεύουμε
Το PhotoScan είναι μια από τις πιο ενδιαφέρουσες ενδείξεις για το πώς η computational photography μπορεί να ξεφύγει από τη βελτίωση μιας φωτογραφίας και να μετατραπεί σε εργαλείο μέτρησης.
Τα αποτελέσματα είναι αξιοσημείωτα, ειδικά επειδή το σύστημα πλησιάζει την απόδοση του DXA σε συγκεκριμένη δοκιμή ταξινόμησης αντίστασης στην ινσουλίνη. Δεν πρέπει όμως να συγχέεται η ερευνητική επίδοση με έτοιμο ιατρικό προϊόν. Η πραγματική αξία του PhotoScan θα κριθεί από πολύ ευρύτερη ανεξάρτητη επικύρωση, από την απόδοσή του σε διαφορετικούς πληθυσμούς και συνθήκες λήψης και, εφόσον φτάσει ποτέ στους καταναλωτές, από το πώς θα αντιμετωπιστούν η ιδιωτικότητα και η χρήση τόσο ευαίσθητων οπτικών δεδομένων.
Συχνές ερωτήσεις
Τι είναι το Google PhotoScan της συγκεκριμένης έρευνας;
Είναι ένα ερευνητικό σύστημα deep learning της Google Research που εκτιμά δείκτες σύστασης σώματος από φωτογραφίες smartphone. Δεν πρέπει να συγχέεται με παλαιότερα προϊόντα της Google με παρόμοια ονομασία.
Μπορεί να αντικαταστήσει μια εξέταση DXA;
Όχι. Η έρευνα δείχνει ότι το PhotoScan πλησίασε την απόδοση των δεδομένων DXA σε συγκεκριμένη δοκιμή πρόβλεψης αντίστασης στην ινσουλίνη, αλλά το DXA παραμένει ακριβέστερη κλινική μέθοδος και το PhotoScan είναι ακόμη ερευνητικό πρωτότυπο.
Είναι διαθέσιμο σε Pixel ή άλλα smartphones;
Όχι. Μέχρι τις 20 Αυγούστου 2026 η Google δεν έχει ανακοινώσει εμπορική έκδοση ή διάθεση του PhotoScan ως λειτουργία σε Pixel, Fitbit ή άλλη καταναλωτική υπηρεσία.
Πόσο ακριβής ήταν η εκτίμηση σωματικού λίπους;
Στην ανεξάρτητη ομάδα MetabolicMosaic, το μέσο απόλυτο σφάλμα για το ποσοστό σωματικού λίπους ήταν 2,13 ποσοστιαίες μονάδες. Στην ομάδα PhotoBIA ήταν 2,15.
Γιατί ενδιαφέρει περισσότερο η κατανομή του λίπους από το BMI;
Το BMI δεν δείχνει πού βρίσκεται το λίπος ούτε διακρίνει με ακρίβεια τη λιπώδη από την άλιπη μάζα. Δείκτες όπως οι A/G και V/S μπορούν να προσφέρουν επιπλέον πληροφορία για την κατανομή του λίπους και τον καρδιομεταβολικό κίνδυνο.
