- スマホ写真から体脂肪率・A/G比・V/S比を推定する深層学習「PhotoScan」
- インスリン抵抗性の分類精度が人口統計のみの場合からAUROCで0.692→0.760へ向上
- ウェアラブルのBIAより誤差が小さく、専用機器なしで代謝リスク評価の可能性
発表された内容
Google Researchは2026年8月17日、スマートフォンの2次元写真から体組成を推定する深層学習フレームワーク「PhotoScan」の研究結果を公式ブログで発表しました。PhotoScanは、体脂肪率(BF%)に加えて、体幹部と臀部・太ももの脂肪比率(A/G比)や、内臓脂肪と皮下脂肪の面積比(V/S比)を、通常のスマホ写真から推定します。研究では、このPhotoScanがインスリン抵抗性を予測する精度が、臨床の基準とされるDXAスキャンに匹敵すると報告されています。
インスリン抵抗性は、2型糖尿病の臨床的な発症に先立つ数年前から血管や肝臓、エネルギー代謝に影響を与えるとされながら、自覚症状が乏しく見逃されやすいとされています。空腹時血糖値とインスリン値から算出するHOMA-IRが2.9を超えるとインスリン抵抗性とみなされます。A/G比の上昇や内臓脂肪の増加はインスリン抵抗性と強く相関することが報告されており、PhotoScanはこうした指標を日常のスマホ計測で得られるようにする研究です。
技術の仕組み
PhotoScanは、2次元のスマホ写真から直接、幾何学的な体情報を取り出して体組成を推定します。構築は3つの段階で行われました。まず、英国のUK Biobankが持つMRI画像とDXAによる体組成データ(3万5,323人分)を使い、3D MRIから生成した正面・側面の2次元投影画像を入力として体組成を予測するよう、ResNet-50をベースにしたニューラルネットワークを事前学習しています。このとき、参加者の性別・身長・体重なども最後の層で特徴量として統合されます。
次に、実際のスマホ写真とDXAの測定値をペアで持つPhotoBIAコホート(677人)でファインチューニングを行いました。360度の参加者動画から最適な正面・側面のフレームを自動的に選ぶランドマーク検出パイプラインが、学習データの補強に使われています。最後に、サンフランシスコで実施された30週間の縦断試験から得られた独立したコホート(132人)で検証されました。検証コホートには、DXAのほか、BIAによる測定、身体計測、12時間絶食後の血液検査、Fitbitによる継続的な追跡データが含まれています。
精度と比較
体脂肪率の予測誤差(平均絶対誤差:MAE)は、ファインチューニングに使ったPhotoBIAコホートで2.15、独立検証のMetabolicMosaicコホートで2.13でした。一方、スマートウォッチなどで一般的なBIAによるモデルは2.91で、PhotoScanの方が誤差が小さい結果です。A/G比とV/S比については、PhotoBIAで0.107と0.094、MetabolicMosaicで0.085と0.085という誤差で、BIAでは得られない脂肪分布の指標も推定できています。
インスリン抵抗性の分類には勾配ブースティング分類器が使われ、年齢・性別・BMIなどの人口統計情報にPhotoScanの体組成指標を加えると、AUROCが0.692から0.760に改善しました。これは臨床の基準であるDXAを加えた場合の0.773に近い値です。一方、BIAを人口統計情報に加えてもAUROCとNRIは改善しませんでした。これは、BIAが体脂肪率しか提供できず、その特徴量としての重要度がA/G比やV/S比より低いためだと報告されています。
課題と今後の展望
PhotoScanは現時点では研究プロトタイプであり、商用サービスとして提供される時期や方法は公表されていません。また、検証用のMetabolicMosaicコホートは女性の割合が67%で、ファインチューニング用のPhotoBIAコホート(女性57%)より高いことが、A/G比やV/S比の誤差が小さくなった一因と報告されています。女性は一般的に脂肪が臀部や太ももに蓄積しやすく、A/G比やV/S比の絶対値が低くばらつきも小さいためです。より多様な集団での検証が今後必要になる可能性があります。
研究チームは今後、PhotoScanによる体組成推定と、ウェアラブル端末から得られる継続的なデータ、血糖値の変動、臨床の血液バイオマーカーを組み合わせたマルチモーダル統合の研究を進める方針です。体組成は代謝健康の一部にすぎないため、複数の信号を統合することで、より総合的な個人の代謝リスク管理を支えることを目指すとしています。
| 人口統計情報に追加するデータ | AUROC | NRI |
|---|---|---|
| なし(ベースライン) | 0.692 | — |
| BIA(スマートウォッチ) | 改善なし | 改善なし |
| PhotoScan(スマホ写真) | 0.760 | 0.593 |
| DXA(臨床の基準) | 0.773 | 0.748 |
While still a research prototype, this approach suggests a path toward accessible, non-invasive screening for insulin resistance risk.
研究プロトタイプではあるものの、このアプローチは、手軽で侵襲のないインスリン抵抗性リスクのスクリーニングへの道筋を示しています。
今後の見通し
PhotoScanは研究段階のプロトタイプであり、製品化の時期は未定です。次に注目すべきは、研究チームが掲げるマルチモーダル統合の進展と、より多様な集団での追加検証でしょう。体組成推定に加えて、ウェアラブルの継続データや血糖値の変動、血液バイオマーカーを組み合わせたときに、代謝リスクの予測がどの程度改善するのかが示されれば、実用化への道筋がより明確になるとみられます。また、どのような集団で検証が行われているかは、国内での応用を考えるうえで重要な判断材料になると考えられます。
日本の開発者・IT企業にとっての意味
日本のIT企業にとって、この研究は「スマホ写真だけで臨床に近い体組成情報を得られる」という新たな可能性を示しています。現在の健康管理アプリの多くは体重やBMIを指標にしていますが、PhotoScanのような光学式の体組成推定は、内臓脂肪や脂肪分布といったより臨床的な情報を、特別な機器なしにアプリへ組み込めることを示唆します。健康増進サービスや予防医療、保険商品などで、ユーザーに負担をかけずに代謝リスクを評価する仕組みを設計する際の参考になるでしょう。一方で、日本で医療目的に使う場合は、関連法規への適合や写真データのプライバシー保護、誤判定による医療リスクへの配慮などが別途必要になるとみられます。研究段階の技術として、精度の検証状況を追いながら応用可能性を見極めるのが現実的な対応です。
気になる点
- PhotoScanはいつ実用化されますか?
- 現時点では研究プロトタイプで、製品化の時期や提供形態は公表されていません。研究チームは今後、ウェアラブルや血糖値、血液バイオマーカーとのマルチモーダル統合を進める方針です。実用化にはさらに大規模な検証や、医療機器としての承認などの手続きが必要になるとみられます。
- スマートウォッチのBIAと何が違うのですか?
- BIAは体脂肪率しか推定できませんが、PhotoScanは脂肪の分布を示すA/G比とV/S比も推定できます。この研究では、人口統計情報にBIAの体脂肪率を加えてもインスリン抵抗性の分類精度は改善せず、A/G比やV/S比を含むPhotoScanを加えた場合にAUROCが0.692から0.760へ改善したと報告されています。
- 日本でもこの技術を利用できますか?
- 検証データは英国のUK Biobankと米国サンフランシスコのコホートが中心で、日本での利用や提供計画は公表されていません。日本人を含む多様な集団で精度が確認されるまでは、そのままの形で適用できるかは判断できません。今後の研究発表を待つ必要があります。
用語解説
- DXA
- 二重エネルギーX線吸収法。X線を使って骨密度や体組成を高精度に測定する検査で、体組成測定の基準とされる。
- HOMA-IR
- 空腹時血糖値とインスリン値から算出するインスリン抵抗性の指標。2.9超でインスリン抵抗性とみなされる。
- A/G比
- 体幹部(リンゴ型)の脂肪と臀部・太もも(洋ナシ型)の脂肪の比率。高いとインスリン抵抗性と関連する。
- V/S比
- 内臓脂肪と皮下脂肪の面積比。臓器の周囲にたまる内臓脂肪は代謝への影響が大きい。
- BIA
- 生体インピーダンス法。微弱な電流の流れやすさから体組成を推定する方法で、スマートウォッチなどに搭載される。
- AUROC
- 分類モデルの識別精度を示す指標。1に近いほど、正常と異常を正確に区別できることを意味する。
出典
Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する