人工智能二维图像法在体脂率评估中的突破性进展：与DXA金标准的对比验证研究

编辑推荐：本研究针对传统体脂评估方法（如DXA、BIA、皮褶厚度）存在的高成本、操作复杂等问题，创新性采用AI驱动的2D图像分析技术（AI-2D photo），在1273名成人中验证其与DXA的等效性。结果显示AI-2D photo与DXA具有极高一致性（CCC≥0.96），显著优于BIA（CCC=0.90-0.95）和皮褶测量法（CCC<0.90），为临床和公共卫生领域提供了便捷、低成本的体脂监测方案。

　　

在健康管理和临床实践中，准确评估体脂率（Body Fat Percentage, BFP）对肥胖相关疾病的预防和干预至关重要。然而，当前金标准双能X线吸收法（DXA）虽精度高，却存在设备昂贵、辐射暴露和操作复杂等局限；而生物电阻抗分析（BIA）、皮褶厚度测量等便携方法又易受操作者经验、 hydration status（水合状态）等因素干扰。如何开发一种兼具准确性、便捷性和低成本的新技术，成为亟待解决的难题。

为此，来自里约热内卢联邦大学的研究团队在《npj Digital Medicine》发表了一项突破性研究，首次系统验证了基于人工智能的二维图像分析法（AI-2D photo）与DXA的一致性。该研究招募了1273名18-65岁成人（女性54.6%），通过多中心横断面设计，同步比较AI-2D photo与DXA、5种BIA设备（如InBody-270、Omron HBF-514）、皮褶厚度（SF）和A型超声（US）的检测结果。

关键技术方法包括：1）AI-2D photo采用智能手机拍摄正/侧位图像，通过Mask R-CNN模型进行人体分割和关键点检测，结合机器学习回归模型预测BFP；2）DXA（GE Prodigy Advance）作为参考标准；3）BIA设备覆盖单/双频技术；4）皮褶厚度和US采用ISAK标准化协议；5）统计分析采用Bland-Altman法、Lin一致性系数（CCC）和误差分析（MAE/MAPE）。

研究结果：
参与者特征
样本平均年龄35岁，BMI 26.11±5.01 kg/m²，DXA测得的平均BFP为31.80±9.60%，覆盖正常体重至肥胖人群（BMI≤24.9至≥30 kg/m²）。

整体一致性分析
AI-2D photo与DXA的一致性显著优于其他方法：

• CCC达0.98（95%CI 0.97-0.99），远超BIA设备（InBody-270 CCC=0.92，Omron HBF-514 CCC=0.91）
• 平均偏差仅-1.24%（p=0.273无比例偏倚），误差指标MAE=1.56±1.3，MAPE=5.01±3.8%
• 皮褶厚度（CCC=0.79）和US（CCC=0.69）表现最差

亚组分析

• 性别差异：男性组CCC=0.98（偏差-2.03%），女性组CCC=0.96（偏差-0.58%）
• 年龄分层：30-39岁组偏差最低（-1.92%），所有年龄组CCC均≥0.97
• BMI影响：在BMI≥30 kg/m²肥胖人群中仍保持高一致性（CCC=0.97，偏差0.18%）

讨论与意义
该研究首次证实AI-2D photo可作为DXA的替代方案，其优势在于：

1. 技术革新：通过深度学习实现全自动分析，消除人为误差（如皮褶测量的操作变异）；
2. 临床适用性：在肥胖人群中表现稳定，克服了BIA因体液波动导致的精度下降问题；
3. 公共卫生价值：仅需智能手机即可完成，适合大规模筛查和远程监测。

局限性包括无法区分内脏/皮下脂肪，且需紧身服装配合拍摄。未来研究可探索其在运动员、绝经女性等特殊人群的应用。这项成果为数字化健康管理提供了新范式，其开源算法框架（基于TensorFlow）有望推动个性化医学发展。