Pesquisadores do Google Research apresentaram o PhotoScan, uma estrutura de aprendizado profundo (deep learning) capaz de estimar a composição corporal de uma pessoa a partir de fotos comuns de smartphone — e, com isso, prever a resistência à insulina com precisão comparável à do exame de referência DXA. O trabalho foi publicado nesta segunda-feira no blog oficial de pesquisa da empresa.
Por que a resistência à insulina importa
A resistência à insulina é um dos principais — e mais subdiagnosticados — motores das doenças metabólicas modernas. Ela precede em anos o aparecimento clínico do diabetes tipo 2, prejudicando silenciosamente a saúde vascular, o fígado e o metabolismo energético antes mesmo de a glicemia de jejum subir a níveis de diagnóstico.
O índice de massa corporal (IMC), amplamente usado, é uma medida limitada: não distingue gordura de massa magra e ignora variações clinicamente relevantes na distribuição de gordura. Já o padrão-ouro para medir composição corporal, o exame de absorciometria de raios X de dupla energia (DXA), é preciso, mas caro, exige infraestrutura clínica especializada e expõe o paciente a baixas doses de radiação — inviável como triagem cotidiana.
O que o PhotoScan faz
O PhotoScan estima, diretamente de fotos 2D de smartphone, três métricas de composição corporal: o percentual de gordura corporal, a razão androide/ginoide (gordura no tronco versus quadril e coxas) e a razão gordura visceral/subcutânea. Esses dois últimos indicadores são especialmente relevantes, pois se correlacionam fortemente com a prevalência de resistência à insulina — e vão além do que os sensores de bioimpedância (BIA) dos smartwatches conseguem medir.
Como o modelo foi construído
O desenvolvimento seguiu três fases. Primeiro, uma rede neural com backbone ResNet-50 foi pré-treinada em mais de 35 mil registros do UK Biobank, usando exames de ressonância magnética e dados de DXA como referência. Em seguida, o modelo foi ajustado com uma coorte diversa de 677 adultos (PhotoBIA), com fotos reais de smartphone pareadas a exames DXA. Por fim, a validação independente ocorreu em 132 participantes de um estudo longitudinal de 30 semanas em San Francisco.
Resultados em números
Na predição do percentual de gordura corporal, o PhotoScan atingiu erro absoluto médio (MAE) de 2,15 pontos percentuais, contra 2,91 dos sensores BIA — ou seja, maior precisão que os relógios inteligentes. Na classificação de resistência à insulina, o modelo que combinou dados demográficos com métricas do PhotoScan elevou o AUROC de 0,692 para 0,760, aproximando-se do desempenho do próprio exame DXA (0,773). Os dados de BIA, por outro lado, não trouxeram melhoria significativa.
Limitações e próximos passos
Os próprios pesquisadores destacam que o PhotoScan ainda é um protótipo de pesquisa, sem previsão de lançamento como produto clínico. A composição corporal, além disso, é apenas um dos componentes da saúde cardiometabólica. A equipe pretende explorar, no futuro, a integração multimodal — combinando a estimativa óptica com dados de wearables, dinâmica da glicose e biomarcadores sanguíneos para uma avaliação mais holística da saúde metabólica.
Para o Brasil, onde o acesso a exames de imagem como o DXA é desigual e concentrado em grandes centros, a pesquisa sinaliza um caminho promissor rumo a uma triagem acessível, não invasiva e escalável por meio de dispositivos que já estão no bolso de milhões de pessoas.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
