超越BMI：智能手机身体成分表型分析用于心血管代谢风险评估
定量方法
2026-04-08 v2
摘要
身体质量指数（BMI）是一种广泛可用但不精确的心血管代谢健康代理指标。虽然评估真实身体成分更为优越，但双能X射线吸收测定法（DXA）等金标准方法不具备可扩展性。我们通过开发和验证"PhotoScan"方法来解决这一差距，该方法可从智能手机图像估计身体成分。我们在UK Biobank参与者（N=35,323）上预训练了一个深度学习模型，并在新招募的临床队列（PhotoBIA队列，N=677）上进行微调，该队列涵盖多种族、年龄和身体脂肪分布，在总体脂肪百分比（BF%，MAE=2.15%）、Android-to-Gynoid脂肪比（A/G，MAE=0.11）和内脏-皮下脂肪面积比（V/S，MAE=0.09）方面达到了对DXA的高精度。模型在独立代谢健康研究队列（MetabolicMosaic队列，N=132名参与者）上的泛化性得到了验证，BF%的MAE为2.13%，A/G为0.09，V/S为0.09。随后，我们在MetabolicMosaic队列中通过预测胰岛素抵抗（IR）评估了这些指标的临床效用。将PhotoScan衍生的身体成分指标添加到基线人口统计模型（年龄、性别、BMI）中，显著改善了胰岛素抵抗分类（受试者工作特征曲线下面积AUROC 76.0% vs 69.2%，DeLong检验p=0.002，净再分类指数NRI 0.593）。关键的是，这一便捷的智能手机方法在性能上几乎等同于在基线人口统计模型中添加临床级DXA数据（AUROC 77.3% vs 69.2%，DeLong检验p=0.004，NRI 0.748）。这些发现表明，基于智能手机的表型分析能够捕捉BMI和人体测量学所遗漏的具有临床意义的风险信号，为心血管代谢风险分层提供了一种可扩展的DXA替代方案。
引用
@article{arxiv.2603.27017,
title = {Beyond BMI: Smartphone Body Composition Phenotyping for Cardiometabolic Risk Assessment},
author = {Menglian Zhou and Arno Charton and Emily Blanchard and Lawrence Cai and Tracy Giest and Herschel Watkins and Mohamed Bouterfa and Jackie Wasson and Keerthana Natarajan and Aniket Deshpande and Jiening Zhan and Shelten Yuen and Xavi Prieto and Jacqueline Shreibati and Mark Malhotra and Shwetak Patel and Lindsey Sunden and Cathy Speed and Alicia Kokoszka and Aravind Natarajan and Alexandros Pantelopoulos and Ahmed Metwally},
journal= {arXiv preprint arXiv:2603.27017},
year = {2026}
}