基于乳腺热成像与卷积神经网络的体重指数分级：概念验证研究

本研究针对传统BMI分类方法的局限性，创新性地采用乳腺热成像技术结合卷积神经网络(CNN)，实现对正常体重、超重和肥胖人群的精准分类。团队通过84名女性受试者的多角度热成像数据，利用迁移学习和GradCAM激活映射技术，取得87%的整体准确率，其中肥胖组分类精度达100%。该研究为无创BMI筛查提供了新思路，尤其揭示了不同BMI群体特征性热分布模式（如肥胖者腋上区显著激活），为代谢异常早期识别开辟了跨学科技术路径。

　　

在当代公共卫生领域，体重指数(BMI)作为评估超重(BMI≥25kg/m²)和肥胖(BMI≥30kg/m²)的核心指标，其测量长期依赖身高体重计算。然而，这种传统方法无法反映体脂分布特征，且存在测量场景局限。值得注意的是，肥胖相关代谢疾病的发生发展与体表温度分布存在潜在关联——脂肪组织的隔热效应、局部血流差异等生理特征，使得热成像技术(Thermography)成为新兴研究焦点。但既往研究多聚焦于肥胖/非肥胖的二元区分，对更精细的BMI分层（如正常/超重/肥胖）缺乏有效手段，这正是本研究的突破点所在。

来自未知机构的研究团队独辟蹊径，选择女性乳腺及上腹部热成像作为分析靶区。该区域不仅包含丰富代谢活性组织，其温度分布更易受皮下脂肪厚度影响。研究人员采用开放获取数据集，包含84名18-81岁良性乳腺病变女性的前位、左右斜位热成像，通过迁移学习策略优化预训练的卷积神经网络(CNN)，创新实现三类BMI自动分类。特别引入梯度加权类激活映射(GradCAM)技术，首次可视化不同BMI群体的关键热特征区域。

关键技术包括：1) 采用符合美国热成像学会(AAT)标准的女性乳腺热成像数据集；2) 基于迁移学习的ResNet架构优化；3) GradCAM热力激活区域可视化分析；4) 严格按WHO标准划分BMI类别（正常18.5-24.9kg/m²，超重25-29.9kg/m²，肥胖≥30kg/m²）。

分类性能
模型整体准确率达87%，呈现显著类别差异：肥胖组表现最优（精准率100%，召回率93%，F1值97%），超重组识别难度最大（召回率仅67%）。混淆矩阵显示，超重与正常体重间的误判占主导，暗示二者可能存在连续性的体温分布特征。

热特征图谱
GradCAM揭示三类人群的典型热模式：

• 正常组：胸骨区主导（可能与较薄皮下脂肪相关）
• 肥胖组：腋窝上方强激活（反映脂肪堆积导致的局部代谢变化）
• 超重组：上腹部/乳房下方/上胸部联合特征（提示过渡状态的复杂体温分布）

讨论与展望
该研究首次证实乳腺热成像对BMI精细分层的可行性，其87%的准确率已接近临床实用阈值。特别值得注意的是，模型对肥胖组的完美精准率(100%)，暗示热成像可能成为代谢综合征筛查的"生物标志物"。而超重组较低的召回率，恰恰反映了BMI分类本身存在的生物学模糊性——这为后续研究提供了重要方向：是否需要引入腰围等辅助指标提升分类效能？

局限性在于样本仅包含女性且数量有限，但正因如此，研究揭示了性别特异性体温分布规律的价值。未来扩展至男性群体、结合红外热成像与代谢组学数据，有望建立更全面的肥胖风险评估体系。发表于《Smart Health》的这项研究，不仅为AI辅助代谢健康管理提供技术原型，更开创了"温度表型"研究新范式——当深度学习遇见热力学，或许正是破解肥胖密码的钥匙。