基于智能手机面部形态测量与机器学习的实时数字化营养评估新框架

《European Journal of Clinical Nutrition》：Real-time and digital remote nutritional assessment framework with the use of smartphone-enabled facial morphometrics and machine learning— a proof of concept

本研究针对传统营养评估方法资源密集的痛点，由研究人员开发了一种结合智能手机3D面部扫描与机器学习的新型数字解决方案。通过随机森林（RF）和极端梯度提升（XGB）模型对71名中国中老年人进行营养指标预测，结果显示RF模型对肌肉量（r2=0.92）和基础代谢率（BMR，r2=0.88）等参数预测精度优异。该非侵入性技术为社区营养筛查及健康风险早期干预提供了高效工具。

　　

背景：现有营养评估方法通常需要消耗大量资源，包括时间、资金投入、专用设备以及临床专业知识。

目的：本研究提出一种创新方法，通过利用面部形态测量（facial morphometrics）和机器学习（machine learning）来预测关键营养指标，重点开发可访问、可扩展且高效的数字解决方案。

方法：这项横断面观察性研究纳入了71名50-85岁的中国社区成年人（30名男性，41名女性）。利用广泛可用的智能手机技术，采集三维（3D）面部扫描数据来预测营养指标。通过十折分层交叉验证评估了两种机器学习模型——随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGB）的预测性能。

结果：RF模型的表现优于XGB模型，对六项参数显示出较高的预测准确性（中位数r2介于0.51至0.92之间），这些参数包括：肌肉质量（muscle mass）、基础代谢率（basal metabolic rate, BMR）、内脏脂肪指数（visceral fat index）、四肢骨骼肌质量指数（appendicular skeletal muscle mass index）、总体脂百分比（total body fat percentage）以及握力（hand grip strength）。预测准确性最高的是肌肉质量（r2 = 0.92）和基础代谢率（r2 = 0.88），表明其与面部特征存在强相关性。

结论：这项非侵入性、经济的技术为营养评估提供了一种可扩展的方法，对公共卫生具有显著益处。精确预测肌肉质量和基础代谢率有助于在社区中高效筛查老年人的营养不良和衰弱状况，而分析体脂百分比则有助于识别营养过剩及相关健康风险。这种数字方法通过早期检测和干预，在改善人群健康结局方面展现出巨大潜力。