血糖正常也不安全
等空腹血糖升到能确诊的范围,身体对胰岛素不敏感这件事通常已经持续好几年了。
胰岛素抵抗指的是身体对胰岛素的反应变迟钝,同样一顿饭,胰腺得分泌更多胰岛素才能把血糖压回去。麻烦在于它比 2 型糖尿病的临床诊断早出现好多年,而这几年里,它已经在悄悄伤害血管、肝功能和能量代谢。
体检表上的空腹血糖那一栏,这段时间里可以一直是正常的。相当于房子的地基已经在沉降,但墙上还没裂缝,常规检查看的恰恰是墙。
医生判断这件事常用一个叫 HOMA-IR 的分数,超过 2.9 就算胰岛素抵抗。
体脂率看不出的事
两个体脂率一模一样的人,脂肪堆在肚子里还是堆在臀腿上,代谢风险差得很远。
研究者真正在意的是两个比值。一个是躯干脂肪和臀腿脂肪的比(原文叫 A/G ratio),说白了就是苹果型身材还是梨型身材。另一个是包裹内脏的脂肪和皮下脂肪的比(原文叫 V/S ratio),前者代谢活跃、风险高,后者就是能捏起来的那层。
躯干脂肪占比高、内脏脂肪多的人,出现胰岛素抵抗的比例明显更高。
问题是怎么量。目前的金标准是 DXA(双能 X 光吸收扫描,医院测骨密度和身体成分用的那台机器),精度极高,但它贵、需要专门的医疗场地和设备、还有低剂量辐射。用它给没有症状的普通人每年筛一遍,谁都负担不起。
照片怎么变成数字
PhotoScan 先在三万五千多份已有记录上学习,再用一批新拍的照片校准,从 2D 照片反推出三维的身体成分。
训练分两步。先用英国生物样本库(UK Biobank)超过 35,000 份参与者记录做预训练,再用一个新招募的 677 人成年队列做微调。输出是三个数:体脂率、躯干与臀腿脂肪比、内脏与皮下脂肪比。
模型并不透视皮肤,它提取的是照片里的身体几何信息:轮廓、比例、各部位的相对宽窄。像一个见过上万组「照片配实际尺寸」的老裁缝,看一眼轮廓就能说出里面大致怎么分布。它学到的是统计关系,不是直接测量。
677 人这个规模,不到一所中学一个年级的人数。判断这项研究的分量,这个数字必须记住。
比智能手表准
体脂率上,手机照片的平均误差是 2.15 个百分点,智能手表的方法是 2.91;更要命的是手表根本测不了脂肪分布。
手表和体脂秤用的是 生物电阻抗(放一股微弱电流穿过身体,靠遇到的阻力反推脂肪比例)。它只能给出一个总量数字:体脂率。
这里的误差是指预测值和 DXA 实测值平均差多少。照片把这个差距压低了约四分之一,而且顺手给出了手表压根给不出的两个比值。
在独立验证队列上,三项误差分别是 2.13、0.085、0.085,和微调队列基本一致。模型没有只在自己训练的那批人身上好用。原文解释说,验证队列女性占 67%,高于另一队列的 57%,而女性脂肪更多堆在臀腿和皮下,两个比值本身波动小,误差跟着也小。
真正的考试
只看年龄、性别、BMI,识别胰岛素抵抗的成绩是 0.692;加上照片算出的体成分升到 0.760,而金标准 DXA 是 0.773。
研究者用同一套分类器,依次喂进五组不同的输入:基础人口学信息、卷尺量出的围度、手表的生物电阻抗、手机照片的三项指标、DXA 扫描结果。测试时按体重指数和胰岛素抵抗状态分层配平,反复在没见过的数据上评估。
结果里最刺眼的是:手表的生物电阻抗加进去,成绩一点没动。原文给了原因:它只贡献一个体脂率,而在模型里,躯干与臀腿脂肪比、内脏与皮下脂肪比的重要性远高于体脂率。
换句话说,手表测的那个数,模型早就从年龄性别体重里猜到了;照片多给的那两个数,才是新信息。
别把它当产品
这是谷歌自己发布的可行性研究,样本小、仍是原型,真正值得记住的是它证明了一件事:手表测不到的脂肪分布,手机镜头能估个八九不离十。
谷歌研究院自己给的定性很克制:
这仍然是一个研究原型,但这条路径指向一种可及的、无创的胰岛素抵抗风险筛查方式。
该怎么看这件事,有三个层次:
- 对 BMI 的意义最实在。体重除以身高平方这个用了一百多年的指标,看不出脂肪长在哪,而这项研究显示分布信息才是预测力的来源。
- 对可穿戴设备是个提醒。手表擅长追踪心率、活动这类每天变化的行为,但身体结构这一维它给不出有用信息,而这一维恰恰有预测价值。
- 对普通人暂时没有意义。677 人的队列、没有长期结局追踪、没有监管审批、没有产品。它证明的是技术可行,不是临床可用。
还有一层值得警惕:发布方和被评测方是同一家。PhotoScan 赢过生物电阻抗这个结论,出自谷歌自己搭的实验设置。