Истражувачите од Google Research претставија нов систем базиран на длабоко учење, наменет за проценка на ризикот од „кардиометаболички“ заболувања преку користење на камерите од паметните телефони.
Алатката, наречена PhotoScan, е развиена со цел да овозможи предвидување на инсулинската резистентност, состојба која често претходи на дијабетес тип 2.
Системот функционира преку проценка на тродимензионалната структура на телото од стандардни дводимензионални фотографии, со што се нуди алтернатива на скапата и тешко достапна клиничка опрема. Овој пристап има потенцијал да им овозможи на корисниците да добијат корисни здравствени информации преку уредите што веќе секојдневно ги користат.
За разлика од традиционалниот индекс на телесна маса или паметните часовници кои нудат само основна проценка на вкупните телесни масти, PhotoScan анализира дополнителни биомаркери кои се клучни за метаболичкото здравје. Системот го мери односот на мастите во пределот на стомакот наспроти оние во колковите, како и соодносот помеѓу внатрешните висцерални масти и поткожните масти.
Високите вредности на овие параметри се тесно поврзани со инсулинската резистентност. Досега, ваквите детални мерења беа возможни само преку специјализирани клинички скенирања, како „DEXA Scan“, кои бараат специфична инфраструктура и ги изложуваат пациентите на ниски дози на радијација.
Моделот е првично трениран со користење на податоци од над 35 илјади учесници од базата UK Biobank, а дополнително е прилагоден и тестиран на помали независни групи. Резултатите од истражувањето покажуваат дека PhotoScan нуди поголема прецизност во одредувањето на процентот на телесни масти во споредба со биоелектричните сензори вградени во паметните часовници.
При класификацијата на инсулинската резистентност, додавањето на податоците од PhotoScan кон основните демографски информации ја зголемило прецизноста на моделот на ниво кое е речиси идентично со резултатите добиени од клиничката опрема, додека податоците од паметните часовници не покажале никакво подобрување.
Иако PhotoScan во моментов е класифициран како истражувачки прототип, тој претставува скалабилно решение кое може да го олесни неинвазивното откривање на метаболичките ризици. Истражувачите најавуваат дека во иднина планираат да ги комбинираат овие визуелни податоци со информации од носливи уреди и лабораториски анализи, со цел да се создаде сеопфатен дигитален систем за следење на метаболичкото здравје на корисниците.
