Vượt qua chỉ số BMI: Google dùng ảnh smartphone để dự đoán nguy cơ tim mạch

Các nhà nghiên cứu tại Google Research vừa giới thiệu PhotoScan, một hệ thống AI tiên tiến có khả năng phân tích ảnh chụp từ smartphone để ước tính các chỉ số thành phần cơ thể chi tiết, qua đó dự đoán tình trạng kháng insulin — yếu tố then chốt dẫn đến tiểu đường type 2 và bệnh tim mạch — với độ chính xác gần ngang bằng máy quét DXA tại bệnh viện.

Phương pháp mới này hứa hẹn thay thế các phương pháp đo lường truyền thống như chỉ số BMI vốn được đánh giá là thiếu chính xác, đồng thời mở ra hướng tầm soát bệnh lý không xâm lấn, chi phí thấp và có thể triển khai ở quy mô lớn trong tương lai gần.

Giới hạn của BMI và nhu cầu đo lường chính xác hơn

Kháng insulin là một trong những nguyên nhân thầm lặng và nguy hiểm nhất của các bệnh chuyển hóa hiện đại. Nó tồn tại và âm thầm hủy hoại chức năng mạch máu, gan và quá trình chuyển hóa năng lượng nhiều năm trước khi lượng đường trong máu tăng cao đến mức chẩn đoán được. Chỉ số HOMA-IR (mô hình đánh giá cân bằng nội môi để xác định kháng insulin) hiện được dùng phổ biến trong lâm sàng, với ngưỡng trên 2.9 được xem là kháng insulin.

Trong khi đó, tỷ lệ mỡ toàn thân chỉ là một phần của câu chuyện. Các chỉ số quan trọng hơn gồm tỷ lệ mỡ Android-to-Gynoid (A/G) — so sánh mỡ tập trung ở vùng bụng (hình quả táo) so với vùng hông và đùi (hình quả lê) — và tỷ lệ mỡ nội tạng so với mỡ dưới da (V/S). Mỡ nội tạng bao quanh các cơ quan nội tạng có hoạt động chuyển hóa cao và liên quan mật thiết đến kháng insulin hơn nhiều so với mỡ dưới da.

Phương pháp đo chính xác nhất hiện tại là máy quét DXA (hấp thụ tia X năng lượng kép), nhưng chi phí cao, yêu cầu cơ sở hạ tầng y tế chuyên biệt và tiếp xúc với bức xạ liều thấp, khiến nó không phù hợp để tầm soát hàng ngày.

"Phương pháp tiếp cận PhotoScan của chúng tôi cung cấp một điểm cân bằng hấp dẫn: phân tích thành phần cơ thể chi tiết từ ảnh smartphone với độ chính xác gần tương đương DXA."

PhotoScan hoạt động như thế nào?

PhotoScan được xây dựng và đánh giá qua 3 giai đoạn chính:

• Tiền huấn luyện trên UK Biobank (N=35.323): Nhóm nghiên cứu sử dụng dữ liệu từ ngân hàng sinh học UK Biobank, bao gồm cả ảnh MRI và dữ liệu DXA, để huấn luyện mô hình ResNet-50 dự đoán các chỉ số thành phần cơ thể từ hình chiếu 2D được tạo ra từ quét MRI 3D.

• Tinh chỉnh trên nhóm PhotoBIA (N=677): Mô hình được tinh chỉnh trên tập dữ liệu ảnh chụp smartphone thực tế kết hợp với dữ liệu DXA. Một quy trình tự động phát hiện khung hình thích hợp đã chọn ra các tư thế đứng nghiêng và đứng thẳng tối ưu từ video quay 360 độ của người tham gia.

• Xác thực trên nhóm MetabolicMosaic (N=132): Đánh giá trên một nhóm độc lập gồm 132 người trưởng thành trong nghiên cứu dọc kéo dài 30 tuần tại San Francisco, nơi thu thập đầy đủ dữ liệu DXA, ảnh smartphone, cảm biến BIA từ smartwatch, số đo nhân trắc học, xét nghiệm máu lúc đói và theo dõi Fitbit liên tục.

Sơ đồ tổng quan về quy trình phân tích thành phần cơ thể và phân loại kháng insulin

Kết quả: Chính xác hơn cả smartwatch, gần ngang DXA

Kết quả ấn tượng nhất đến từ khả năng dự đoán kháng insulin. Cụ thể:

• Mô hình nền tảng chỉ dùng nhân trẩu học (tuổi, giới tính, BMI) đạt chỉ số AUROC 0.692
• Khi kết hợp với dữ liệu từ smartwatch BIA (đo trở kháng điện sinh học): không cải thiện — vì BIA chỉ đo được tỷ lệ mỡ toàn phần
• Khi kết hợp với PhotoScan: AUROC tăng lên 0.760, với NRI (Chỉ số phân loại lại ròng) là 0.593
• Với DXA tiêu chuẩn vàng: AUROC đạt 0.773, NRI 0.748

Như vậy, PhotoScan đạt độ chính xác gần như tương đương DXA trong việc phân loại nguy cơ kháng insulin, trong khi vẫn giữ được tính tiện lợi và chi phí thấp của một ứng dụng smartphone.

Xét về độ chính xác đo thành phần cơ thể, sai số trung bình tuyệt đối (MAE) của PhotoScan là 2.15 cho tỷ lệ mỡ toàn phần (BF%), trong khi smartwatch BIA có MAE lên đến 2.91. Điều này đồng nghĩa PhotoScan chính xác hơn hẳn so với cảm biến trên đồng hồ thông minh, đồng thời cung cấp thêm các chỉ số A/G và V/S mà BIA không thể đo được.

Ảnh minh họa phân tích thành phần cơ thể bằng công nghệ hồng ngoại và quang học

Ý nghĩa đối với người Việt và tương lai nghiên cứu

Tại Việt Nam, tỷ lệ người mắc tiểu đường type 2 đang gia tăng nhanh chóng, ước tính khoảng 7-8% dân số trưởng thành, và nhiều trường hợp không được chẩn đoán kịp thời. Các phương pháp tầm soát truyền thống như đo BMI thường bỏ sót những biến đổi quan trọng của thành phần cơ thể. Một công cụ như PhotoScan có thể giúp mọi người tự ước tính nguy cơ chuyển hóa ngay tại nhà, chỉ với chiếc smartphone — điều cực kỳ phù hợp trong bối cảnh tỷ lệ sở hữu smartphone tại Việt Nam đã đạt trên 85%.

Nhóm nghiên cứu cho biết PhotoScan hiện mới chỉ là nguyên mẫu nghiên cứu và vẫn cần thêm nhiều thử nghiệm lâm sàng trước khi có thể triển khai rộng rãi. Hướng phát triển sắp tới của họ là tích hợp đa phương thức dữ liệu: kết hợp ước tính thành phần cơ thể với dữ liệu liên tục từ thiết bị đeo, động lực học glucose và các dấu ấn sinh học trong máu.

"Thành phần cơ thể chỉ là một phần trong bức tranh sức khỏe chuyển hóa. Bằng cách kết hợp các tín hiệu đa dạng này, chúng tôi hy vọng hỗ trợ các cách tiếp cận toàn diện và dễ tiếp cận hơn trong việc quản lý sức khỏe chuyển hóa cá nhân."

Nghiên cứu này đánh dấu một bước tiến quan trọng trong lĩnh vực định kiểu hình số (digital phenotyping), mở ra cánh cửa cho các giải pháp tầm soát bệnh lý phổ biến, không xâm lấn và dễ tiếp cận — một hướng đi đầy tiềm năng cho hệ thống y tế dự phòng của Việt Nam trong tương lai.