胰岛素抵抗是代谢疾病的关键驱动因素之一，通常在空腹血糖升至诊断范围前数年便已损害血管健康、肝功能和能量代谢。稳态模型评估（HOMA-IR）得分超过 2.9 通常被视为存在胰岛素抵抗。由于目前测量真实体成分的临床金标准——双能 X 射线吸收法（DXA）扫描成本高昂且需专业设备，日常筛查难以普及。
基于智能手机被动健康监测能力的提升，Google Research 推出了研究性深度学习框架 PhotoScan，可直接从标准二维手机照片估算体脂率（BF%）、Android-to-Gynoid 脂肪比（A/G 比）和内脏与皮下脂肪面积比（V/S 比）等三维体成分指标。
三阶段训练与验证流程
PhotoScan 的开发分为三个阶段：
- 预训练：使用 UK Biobank 数据集中 35,323 名参与者的记录，以 ResNet-50 为骨干网络，从三维 MRI 生成的二维正面和侧面投影图像中学习预测体成分指标，并以 DXA 扫描结果作为基准真值。模型将图像特征与性别、身高、体重及 BMI 融合，输出目标指标的概率密度函数。
- 微调：在包含 677 名成人的 PhotoBIA 数据集上，使用真实智能手机照片与 DXA 基准真值配对进行五折交叉验证微调，并通过自动地标检测流水线从 360 度视频中选取最佳姿态帧扩充数据。
- 验证：在来自旧金山一项 30 周纵向试验的 132 人独立队列 MetabolicMosaic 中进行评估。该队列具备完整的 DXA、BIA、人体测量学、12 小时空腹血液化验及 Fitbit 连续追踪配对数据。
体成分预测精度
在 PhotoBIA 队列的五折交叉验证中，微调后的 PhotoScan 模型预测体脂率的平均绝对误差（MAE）为 2.15，优于基于生物电阻抗分析（BIA）模型的 2.91；A/G 比和 V/S 比的 MAE 分别为 0.107 和 0.094。
在独立验证队列 MetabolicMosaic 中，三项指标的 MAE 分别为 2.13、0.085 和 0.085，与微调阶段表现一致。据研究说明，该队列中女性比例较高（67%，高于 PhotoBIA 的 57%），而女性因脂肪主要分布于下肢和皮下，A/G 与 V/S 比的绝对值和方差较低，使区域比值的预测误差相应减小。
胰岛素抵抗分类表现
研究团队使用梯度提升分类器在 MetabolicMosaic 队列上比较了不同数据组合对胰岛素抵抗的预测能力，测试组按 BMI 和胰岛素抵抗状态均衡分配。
仅使用年龄、性别和 BMI 等基线人口统计学特征时，受试者工作特征曲线下面积（AUROC）为 0.692。加入 PhotoScan 体成分特征后，AUROC 提升至 0.760，净重分类改善指数（NRI）达到 0.593，接近使用临床 DXA 数据的水平（AUROC 0.773，NRI 0.748）。相比之下，在人口统计学基础上加入智能手表 BIA 数据未能改善 AUROC 或 NRI，因为 BIA 仅提供体脂率估算，而该特征在模型中的重要性显著低于 A/G 比和 V/S 比。
PhotoScan 目前仍为研究原型。Google Research 表示，后续研究计划探索多模态数据整合，将体成分估算与可穿戴设备连续数据、血糖动态及临床血液生物标志物结合，以支持更全面的个人代谢健康管理。