Google dùng ảnh điện thoại ước tính nguy cơ kháng insulin
Google Research giới thiệu PhotoScan, mô hình học sâu ước tính thành phần cơ thể từ ảnh chụp bằng điện thoại, dự đoán kháng insulin với độ chính xác gần bằng máy quét DXA. Đây là nghiên cứu thử nghiệm, chưa phải sản phẩm thương mại.

Một nhóm nghiên cứu của Google công bố phương pháp dùng ảnh chụp thông thường bằng điện thoại để ước tính thành phần cơ thể, gồm tỷ lệ mỡ, tỷ lệ mỡ bụng trên mỡ mông và tỷ lệ mỡ nội tạng trên mỡ dưới da. Từ các chỉ số này, hệ thống phân loại người có nguy cơ kháng insulin.
Ảnh minh họa điện thoại dùng để ước tính thành phần cơ thể
Vì sao không dừng ở chỉ số BMI
Kháng insulin là tình trạng cơ thể phản ứng kém với insulin, thường xuất hiện nhiều năm trước khi bệnh tiểu đường type 2 được chẩn đoán. Nó âm thầm ảnh hưởng tới mạch máu, chức năng gan và chuyển hóa năng lượng ngay cả khi đường huyết lúc đói vẫn bình thường.
Chỉ số HOMA-IR mô hình hóa quan hệ giữa lượng glucose gan sản xuất và lượng insulin tiết ra khi đói. Ngưỡng trên 2,9 được xem là kháng insulin theo các tổng quan dịch tễ.
BMI chỉ phản ánh cân nặng so với chiều cao. Nó không cho biết mỡ nằm ở đâu. Hai người cùng BMI có thể có mức rủi ro chuyển hóa rất khác nhau.
Các chỉ số chi tiết hơn gồm:
- Tỷ lệ A/G: so sánh mỡ ở thân trên (dạng "quả táo") với mỡ ở hông và đùi (dạng "quả lê").
- Tỷ lệ V/S: phân biệt mỡ nội tạng quanh cơ quan, có hoạt động chuyển hóa mạnh, với mỡ dưới da.
Tỷ lệ A/G cao và khối mỡ nội tạng lớn liên quan chặt với tỷ lệ mắc kháng insulin.
Công cụ chuẩn hiện nay là máy quét DXA (Dual-Energy X-Ray Absorptiometry). Máy rất chính xác nhưng đắt, cần hạ tầng y tế chuyên dụng và có phơi nhiễm phóng xạ liều thấp. Vì vậy DXA không phù hợp để tầm soát hằng ngày.
PhotoScan hoạt động thế nào
PhotoScan là khung học sâu thử nghiệm, nhận ảnh 2D chụp bằng điện thoại và ước tính các chỉ số thành phần cơ thể ba chiều. Nhóm nghiên cứu xây dựng theo ba giai đoạn:
- Tiền huấn luyện trên 35.323 hồ sơ từ UK Biobank. Dữ liệu gồm ảnh MRI và kết quả DXA làm chuẩn. Mô hình dùng backbone ResNet-50 khởi tạo trọng số từ ImageNet, học từ ảnh chiếu trước và chiếu bên dựng từ ảnh MRI 3D. Đầu ra là phân phối xác suất cho từng chỉ số.
- Tinh chỉnh trên bộ PhotoBIA gồm 677 người trưởng thành, dùng ảnh chụp thật bằng điện thoại ghép với kết quả DXA, kiểm định chéo 5 lần. Một quy trình tự động phát hiện mốc cơ thể chọn khung hình trước và bên tốt nhất từ video quay 360 độ.
- Kiểm chứng trên bộ độc lập MetabolicMosaic gồm 132 người, thuộc thử nghiệm kéo dài 30 tuần tại San Francisco. Người tham gia có đủ dữ liệu DXA, PhotoScan, BIA, số đo cơ thể, xét nghiệm máu lúc đói 12 giờ và theo dõi liên tục bằng Fitbit.
Sơ đồ quy trình ước tính thành phần cơ thể và phân loại kháng insulin
Kết quả chính
Về độ chính xác thành phần cơ thể, trên bộ PhotoBIA, sai số tuyệt đối trung bình (MAE) của PhotoScan là 2,15 cho tỷ lệ mỡ cơ thể, trong khi mô hình dựa trên cảm biến BIA (đo trở kháng sinh học) đạt 2,91.
MAE trung bình là 0,107 cho tỷ lệ A/G và 0,094 cho tỷ lệ V/S. Trên bộ MetabolicMosaic, các con số tương ứng là 2,13 cho tỷ lệ mỡ, 0,085 cho A/G và 0,085 cho V/S.
Nhóm nghiên cứu lý giải sai số A/G và V/S thấp hơn ở bộ kiểm chứng nhờ tỷ lệ nữ giới cao hơn (67% so với 57%).
Về phân loại kháng insulin, nhóm dùng bộ phân loại gradient boosting trên bộ MetabolicMosaic, chia nhóm kiểm tra cân bằng theo cả BMI và tình trạng kháng insulin. Năm bộ đặc trưng được so sánh riêng rẽ:
- Nhân khẩu học cơ bản (tuổi, giới tính, BMI): AUROC 0,692.
- Nhân khẩu học cộng BIA từ đồng hồ thông minh: không cải thiện AUROC hay NRI.
- Nhân khẩu học cộng PhotoScan: AUROC 0,760, NRI 0,593.
- Nhân khẩu học cộng DXA: AUROC 0,773, NRI 0,748.
AUROC đo khả năng phân biệt người có kháng insulin với người không, càng cao càng tốt. NRI đo mức cải thiện phân loại đúng so với mô hình nền.
BIA chỉ ước tính được tỷ lệ mỡ cơ thể, vốn có mức quan trọng thấp hơn nhiều so với tỷ lệ A/G và V/S trong mô hình dùng PhotoScan.
Giới hạn và hướng tiếp theo
PhotoScan vẫn là nguyên mẫu nghiên cứu, chưa phải công cụ chẩn đoán. Kết quả cho thấy khả năng ước tính thành phần cơ thể bằng quang học từ ảnh điện thoại là khả thi về kỹ thuật và có giá trị lâm sàng.
Thành phần cơ thể chỉ là một phần của sức khỏe tim mạch chuyển hóa. Nhóm nghiên cứu hướng tới kết hợp ước tính thành phần cơ thể với dữ liệu từ thiết bị đeo, biến động glucose và dấu ấn sinh học trong máu.
Nghiên cứu dùng tài nguyên UK Biobank theo số đăng ký 65275. Dữ liệu ảnh thu bằng điện thoại Pixel và BIA từ đồng hồ thông minh, đối chiếu với DXA.
Góc nhìn
Với lập trình viên và kỹ sư tại Việt Nam, hướng nghiên cứu này cho thấy giá trị của việc kết hợp dữ liệu hình ảnh thô với mô hình học sâu đã tiền huấn luyện quy mô lớn. Bài toán y tế vẫn đòi hỏi dữ liệu chuẩn, quy trình đánh giá độc lập và kiểm soát thiên lệch chặt hơn nhiều so với ứng dụng thông thường.
Doanh nghiệp muốn thử hướng này cần tính đến yêu cầu về chất lượng dữ liệu chuẩn, sự đồng ý của người dùng và quy định bảo vệ dữ liệu sức khỏe. Đây là nghiên cứu, chưa có sản phẩm, nên chưa thể dùng để thay thế xét nghiệm máu hay tư vấn y khoa.
Nguồn: research.google · Quy trình biên tập


