Google 用自拍 AI 估算体脂率 接近临床 DXA 水平

Google 团队在 arXiv 上发表了一篇题为「PhotoScan」的研究论文，提出一种仅凭智能手机自拍即可估算身体成分的深度学习方法。论文通讯单位包含多位 Google 研究人员，研究覆盖模型预训练、临床验证与下游风险预测三个阶段，最终在多项指标上接近临床金标准双能 X 射线吸收法（DXA）。

研究方法与数据集

研究团队首先在英国生物样本库（UK Biobank，N=35,323）的数据上预训练深度学习模型，随后在一个新招募的临床队列（PhotoBIA，N=677）上进行微调。该临床队列在种族、年龄和体脂分布上具备多样性，以提升模型在不同人群中的适用性。模型最终在独立的代谢健康队列（MetabolicMosaic，N=132）上进行泛化性验证。

与 DXA 的对比结果

在身体成分估算任务上，模型相对于 DXA 金标准取得以下表现：

• 总体脂百分比（BF%）平均绝对误差（MAE）= 2.15%
• 雄性脂肪与雌性脂肪比（A/G）MAE = 0.11
• 内脏脂肪与皮下脂肪面积比（V/S）MAE = 0.09

在 MetabolicMosaic 队列的独立验证中，BF% 的 MAE 为 2.13%，A/G 为 0.09，V/S 为 0.09，模型展现出较好的跨群体迁移能力。

临床风险预测价值

研究进一步评估了上述指标在胰岛素抵抗（IR）分类中的临床效用。在仅使用年龄、性别和 BMI 的基线模型上，AUROC 为 69.2%；加入 PhotoScan 估算的身体成分指标后，AUROC 提升至 76.0%（DeLong 检验 p=0.002，净重新分类指数 NRI=0.593）。作为对照，将临床级 DXA 数据加入基线模型后，AUROC 为 77.3%（p=0.004，NRI=0.748）。这意味着，仅用智能手机自拍得到的身体成分信息，在代谢风险预测上几乎追平了 DXA。

意义与局限

论文指出，BMI 作为常用健康指标存在精度不足的问题，而 DXA 等高精度方法成本高、难以规模化。基于智能手机的成像方案为大规模心血管代谢风险分层提供了可扩展的替代路径。研究者也提示，该方法在更广泛人群中的表现仍需更多验证，但其展示了计算机视觉在消费级健康监测中的可行潜力。该论文目前以 arXiv:2603.27017 公开，提交时间为 2026 年 3 月，v2 版本于 4 月更新。