PhotoScan: Dùng ảnh chụp smartphone để dự đoán kháng insulin với độ chính xác ngang ngửa máy quét DXA

Kháng insulin là một trong những yếu tố nguy cơ quan trọng nhất nhưng lại ít được chẩn đoán trong các bệnh lý chuyển hóa hiện đại. Xuất hiện nhiều năm trước khi bệnh tiểu đường loại 2 khởi phát trên lâm sàng, tình trạng suy giảm độ nhạy insulin âm thầm gây tổn hại đến sức khỏe mạch máu, chức năng gan và quá trình chuyển hóa năng lượng rất lâu trước khi chỉ số đường huyết lúc đói tăng lên mức chẩn đoán. Mô hình đánh giá cân bằng nội môi cho tình trạng kháng insulin (HOMA-IR) mô phỏng vòng lặp phản hồi giữa quá trình sản xuất glucose ở gan và bài tiết insulin trong điều kiện đói ổn định; theo các nghiên cứu dịch tễ học, chỉ số HOMA-IR lớn hơn 2,9 được coi là kháng insulin. Các nghiên cứu gần đây cho thấy các khung học máy đa phương thức tích hợp dữ liệu từ cảm biến đeo tay với các xét nghiệm phòng thí nghiệm thông thường có thể dự đoán chính xác HOMA-IR để cảnh báo sớm nguy cơ chuyển hóa. Việc tích hợp các phép đo khách quan về thành phần cơ thể mang lại sự bổ sung quan trọng cho công nghệ đeo tay; trong khi các thiết bị đeo theo dõi các hành vi sinh lý hàng ngày, thì thành phần cơ thể cung cấp một đánh giá cấu trúc riêng biệt về lượng mỡ để tạo nên bức tranh toàn diện về nguy cơ chuyển hóa.

Mặc dù việc biết tỷ lệ phần trăm mỡ cơ thể tổng thể là một cơ sở tốt để đo lường lượng mỡ so với khối lượng nạc, nhưng các dấu ấn sinh học về thành phần cơ thể bổ sung cung cấp những hiểu biết lâm sàng sâu sắc hơn nhiều. Ví dụ, tỷ lệ mỡ Android-to-Gynoid (tỷ lệ A/G) so sánh lượng mỡ tích trữ ở thân người (dáng "quả táo") với hông và đùi (dáng "quả lê"); tỷ lệ diện tích mỡ nội tạng trên mỡ dưới da (tỷ lệ V/S) phân biệt giữa loại mỡ nội tạng có hoạt tính chuyển hóa cao bao quanh các cơ quan và mỡ dưới da nằm ngay bên dưới lớp da của bạn. Tỷ lệ A/G cao và khối lượng mỡ nội tạng lớn có mối tương quan mạnh mẽ với tỷ lệ kháng insulin. Hiện nay, tiêu chuẩn vàng để đo lường thành phần cơ thể thực sự là quét hấp thụ tia X năng lượng kép (DXA). Các bản quét này cực kỳ chính xác nhưng không được thiết kế để sàng lọc hàng ngày vì chi phí đắt đỏ, đòi hỏi cơ sở hạ tầng lâm sàng chuyên biệt và khiến bệnh nhân tiếp xúc với liều lượng bức xạ thấp.

Dựa trên khả năng ngày càng tăng của điện thoại thông minh trong việc theo dõi thụ động sức khỏe người dùng trong quá trình sử dụng hàng ngày, chẳng hạn như theo dõi nhịp tim liên tục, chúng tôi giới thiệu PhotoScan: một khung học sâu đang trong giai đoạn nghiên cứu giúp ước tính các chỉ số thành phần cơ thể ba chiều bao gồm tỷ lệ phần trăm mỡ cơ thể (BF%), tỷ lệ A/G và tỷ lệ V/S, trực tiếp từ ảnh 2D tiêu chuẩn của điện thoại thông minh. Để xây dựng hệ thống này, chúng tôi đã huấn luyện trước một mạng thần kinh sâu trên hơn 35.000 hồ sơ người tham gia từ UK Biobank và tinh chỉnh nó với một nhóm đối tượng mới đa dạng gồm 677 người trưởng thành. Được xác thực trên các nhóm lâm sàng, PhotoScan cho thấy độ chính xác về tỷ lệ phần trăm mỡ cơ thể cao hơn so với các cảm biến phân tích trở kháng điện sinh học (BIA) trên đồng hồ thông minh, đồng thời mở ra khả năng tính toán tỷ lệ A/G và V/S mà BIA không làm được, mang đến một khung công nghệ có khả năng mở rộng, không xâm lấn để dự đoán tình trạng kháng insulin với độ chính xác gần bằng DXA.

Cách thức hoạt động của PhotoScan

PhotoScan bỏ qua các phép đo lâm sàng bằng cách trích xuất thông tin hình học cơ thể trực tiếp từ hình ảnh điện thoại thông minh. Chúng tôi đã xây dựng và đánh giá khung công nghệ này qua ba giai đoạn chính:

Kết quả chính

Độ chính xác của thành phần cơ thể

Đối với nhóm PhotoBIA, được đánh giá thông qua phương pháp kiểm chứng chéo 5 lần (5-fold cross-validation), mô hình PhotoScan đã tinh chỉnh cho thấy sai số tuyệt đối trung bình (MAE) là 2,15 đối với dự đoán BF% trên toàn bộ nhóm PhotoBIA, trong khi mô hình dựa trên BIA đạt MAE là 2,91. MAE trung bình là 0,107 đối với tỷ lệ A/G và 0,094 đối với tỷ lệ V/S. Đối với nhóm MetabolicMosaic (xác thực độc lập), MAE của BF%, A/G và V/S đều tương đương với nhóm PhotoBIA (2,13 cho BF%, 0,085 cho A/G và 0,085 cho V/S). Nhìn chung, các mô hình PhotoScan đã tinh chỉnh cho thấy sự nhất quán mạnh mẽ giữa tập dữ liệu tinh chỉnh và tập dữ liệu xác thực. Sự sụt giảm nhỏ về tỷ lệ A/G và V/S quan sát được ở nhóm MetabolicMosaic là do tỷ lệ hồ sơ nữ giới cao hơn (67%) so với nhóm PhotoBIA (57%), vì phụ nữ thường có tỷ lệ A/G và V/S tuyệt đối thấp hơn do chủ yếu tích trữ mỡ dưới da kiểu gynoid, điều này làm giảm phương sai tỷ lệ theo vùng và sai số dự đoán.

Phân loại kháng insulin

Tiếp theo, chúng tôi so sánh mức độ hiệu quả của các tổ hợp dữ liệu khác nhau trong việc dự đoán tình trạng kháng insulin, đối chiếu dữ liệu nhân khẩu học cơ bản với việc kết hợp dữ liệu đó với các phép đo bằng thước dây tiêu chuẩn, cảm biến BIA trên đồng hồ thông minh, PhotoScan và các bản quét DXA tiêu chuẩn vàng.

Chúng tôi đã kiểm tra các mô hình của mình trên nhóm MetabolicMosaic bằng cách sử dụng bộ phân loại gradient boosting để xác định các đối tượng bị kháng insulin. Để đảm bảo kết quả hoàn toàn không thiên vị và không bị rò rỉ dữ liệu, chúng tôi đã triển khai một quy trình kiểm tra nghiêm ngặt, đánh giá lặp đi lặp lại mô hình trên dữ liệu chưa từng được sử dụng. Chúng tôi cũng đảm bảo mỗi nhóm kiểm tra được cân bằng đồng đều về cả chỉ số BMI và tình trạng kháng insulin, đảm bảo một bài kiểm tra hiệu suất công bằng và thực tế. Với khung công nghệ mạnh mẽ này, chúng tôi đã đưa năm tập hợp đặc trưng riêng biệt vào bộ phân loại để so sánh khả năng dự đoán của chúng: nhân khẩu học cơ bản (tuổi, giới tính và chỉ số khối cơ thể), các phép đo nhân trắc học bằng thước dây tiêu chuẩn, trở kháng điện sinh học từ đồng hồ thông minh, các chỉ số PhotoScan từ điện thoại thông minh và các bản quét DXA tiêu chuẩn vàng lâm sàng. Bằng cách so sánh hiệu suất của mô hình với từng đầu vào riêng biệt này, chúng tôi đã thiết lập được giá trị lâm sàng của phương pháp định kiểu hình quang học qua điện thoại thông minh.

Để đánh giá các mô hình, chúng tôi tập trung vào hai chỉ số chính: Diện tích dưới đường cong đặc tính vận hành của thiết bị thu (AUROC) và Chỉ số tái phân loại thuần (NRI). Nói một cách đơn giản, AUROC đo lường mức độ chính xác của mô hình trong việc phân biệt giữa người bị kháng insulin và người không bị (giá trị càng cao càng tốt). Mặt khác, NRI định lượng chính xác mức độ cải thiện của các chỉ số kỹ thuật số mới trong việc phân loại đúng người so với mô hình cơ sở cũ. Như hình dưới đây cho thấy, mô hình nhân khẩu học cơ sở của chúng tôi đạt AUROC là 0,692. Khi thêm các đặc trưng thành phần cơ thể dựa trên PhotoScan (demo + photoscan), độ chính xác phân loại đã cải thiện lên AUROC là 0,760 và NRI cải thiện lên 0,593, gần như hiệu quả bằng việc sử dụng dữ liệu DXA lâm sàng (đạt mức cao nhất là AUROC 0,773 và NRI 0,748). Ngược lại, việc thêm BIA vào dữ liệu nhân khẩu học (demo + bia bên dưới) không mang lại sự cải thiện nào về AUROC hoặc NRI cho việc phân loại kháng insulin, vì BIA chỉ cung cấp ước tính BF%, với tầm quan trọng của đặc trưng thấp hơn đáng kể so với tỷ lệ A/G và V/S trong mô hình demo + photoscan.

Kết luận và hướng phát triển tương lai

Nhìn chung, những phát hiện của chúng tôi chứng minh tính khả thi của việc ước tính thành phần cơ thể dựa trên điện thoại thông minh như một công cụ có khả năng mở rộng cho nghiên cứu tim mạch chuyển hóa. Hình ảnh DXA lâm sàng mang lại thành phần cơ thể chính xác nhất nhưng thiếu khả năng mở rộng, trong khi cảm biến BIA đeo tay mang lại sự tiện lợi nhưng chỉ giới hạn ở tỷ lệ phần trăm mỡ cơ thể cơ bản. Phương pháp PhotoScan của chúng tôi cung cấp một giải pháp trung gian đầy hứa hẹn, ước tính thành phần cơ thể chi tiết từ hình ảnh điện thoại thông minh tiêu chuẩn với độ chính xác gần bằng DXA.

Cuối cùng, nghiên cứu này làm nổi bật cách thức định kiểu hình kỹ thuật số có thể giải quyết các hạn chế chính của các phép đo nhân trắc học truyền thống như BMI, vốn thường bỏ sót những biến thể quan trọng về mặt lâm sàng trong thành phần cơ thể. Nghiên cứu của chúng tôi chứng minh rằng việc ước tính thành phần cơ thể bằng quang học từ hình ảnh điện thoại thông minh vừa khả thi về mặt kỹ thuật vừa có giá trị về mặt lâm sàng. Mặc dù vẫn là một nguyên mẫu nghiên cứu, phương pháp này gợi mở một con đường hướng tới việc sàng lọc nguy cơ kháng insulin dễ tiếp cận và không xâm lấn.

Mặc dù những kết quả này rất đáng khích lệ, thành phần cơ thể chỉ là một thành phần của sức khỏe tim mạch chuyển hóa. Hướng tới tương lai, nghiên cứu của chúng tôi nhằm mục đích khám phá việc tích hợp dữ liệu đa phương thức, kết hợp ước tính thành phần cơ thể với dữ liệu đeo tay liên tục, động lực học glucose và các dấu ấn sinh học máu lâm sàng. Bằng cách kết hợp các tín hiệu đa dạng này, chúng tôi hy vọng sẽ hỗ trợ các phương pháp tiếp cận toàn diện và dễ tiếp cận hơn để quản lý sức khỏe chuyển hóa cá nhân.