基于智能手机计算机视觉应用的人体成分评估：与BODPOD和InBody相比具有高重复性但存在依赖方法的差异

《PLOS Digital Health》：Assessing body composition via a smartphone computer vision application: High repeatability but method-dependent agreement compared with BODPOD and Inbody

　　

准确评估人体成分对于监测健康状况、健身进展和疾病风险至关重要。传统方法如空气置换体积描记法（BODPOD）和生物电阻抗分析（BIA）被广泛用于估算体脂百分比（BF%）、脂肪量（FM）和去脂质量（FFM），但可能成本高昂或难以普及。利用计算机视觉（CV）的智能手机应用提供了一种有前景的替代方案。本研究评估了一款基于智能手机的CV应用（CVapp）在标准化条件下与BODPOD和InBody BIA设备相比的相对一致性和同次会话重复性。49名成年人（年龄18–70岁；29名女性，27名种族和民族少数群体参与者）在一次会话中连续完成了两次BODPOD、InBody和CVapp测量。使用重复测量方差分析分析BF%、FM和FFM估计值的差异。一致性指标包括平均绝对误差（MAE）、均方根误差（RMSE）、一致性相关系数（CCC）和Bland-Altman分析。亚组分析考察了性别和少数群体状态的差异。CVapp与BODPOD相比，得出的BF%（平均值=+2.2%，P?=?0.004）和FM（+1.5 kg，p?=?0.015）更高，而与InBody相比，FFM更低（平均值=?1.84 kg，p?=?0.043）。CVapp与BODPOD的一致性（MAE?=?4.0，RMSE?=?5.0，CCC?=?0.86）弱于与InBody的一致性（MAE?=?3.3，RMSE?=?4.3，CCC?=?0.89），且一致性界限更宽。在标准化条件下，所有方法均显示出极好的会话内重复性（ICC?>?0.99）。BF%（p?**论文解读：基于智能手机计算机视觉应用的人体成分评估——高重复性与方法依赖性差异**

**一、研究背景与问题**

人体成分，即体脂百分比（BF%）、肌肉量及其他组织的比例，是健康状态和身体机能的关键指标。肥胖已成为全球性公共卫生挑战，2022年全球约16%的成年人患有肥胖症；而低肌肉量或低体脂也与营养不良、肌少症等健康问题相关。准确评估人体成分对于营养状态评价、体重管理干预、运动表现监测及疾病风险预测均具有重要意义。

传统的人体成分测量方法包括空气置换体积描记法（ADP，商用系统为BODPOD）、生物电阻抗分析（BIA）以及双能X射线吸收测定法（DXA）、磁共振成像（MRI）、计算机断层扫描（CT）等。BODPOD通过测量坐于密闭舱内人体的空气置换量计算体密度，进而估算BF%，具有快速、无创的优点，但设备昂贵、便携性差，且受衣物、头发空气、皮肤湿度等因素影响。BIA通过向人体施加微弱电流、测量阻抗来估算成分，便携且成本相对较低，但准确性受水合状态、近期饮食运动及设备算法影响较大。DXA、MRI、CT虽能提供更详细数据，但成本高、不可移动，通常仅限于临床或研究机构。因此，亟需既准确又便捷的新型评估方法。

近年来，基于计算机视觉（CV）的智能手机应用应运而生，其通过分析人体照片提取身体轮廓、尺寸等形态学信息，利用机器学习模型预测人体成分。此类工具仅需智能手机摄像头，操作快捷、无创，具有显著的可及性优势。然而，已有研究主要将其与DXA对比，与BODPOD、BIA等常用方法的比较数据有限；此外，测量结果在不同性别、种族和民族群体中的一致性研究相对缺乏，这关乎技术公平推广。本研究旨在标准化实验室条件下，评估一款商用智能手机CV应用（CVapp）与ADP（BODPOD）和BIA（InBody）的相对一致性及同次会话重复性，并考察性别和少数群体状态对方法间一致性的影响。

**二、主要技术方法**

研究采用重复测量、单次会话设计，共纳入49名健康成年人（29名女性，20名男性，年龄21–70岁，平均37.2±14.6岁；其中27名自报为种族/民族少数群体，22名为非少数群体）。每位参与者依次接受两次BODPOD、两次InBody和两次CVapp测量，所有测量由同一研究人员在George Mason大学运动医学评估研究与测试（SMART）实验室完成。参与者需在测试前24小时避免运动、酒精和过量咖啡因，测试前禁食4小时。BODPOD使用GS-X系统，InBody使用570设备，CVapp使用iPhone 13 Pro Max的后置1200万像素摄像头，在固定距离（1.83 m）、固定高度（0.61 m）、纯白背景和一致环境光下拍摄正面和右侧面照片。统计方法包括重复测量方差分析（ANOVA）、Bland-Altman分析、平均绝对误差（MAE）、均方根误差（RMSE）、一致性相关系数（CCC）、组内相关系数（ICC）、标准误测量（SEM）、变异系数（CoV）和可靠性系数（CR），并进行性别及少数群体状态亚组分析。

**三、研究结果**

**方法间一致性（总体样本）：** 重复测量方差分析显示，测量方法对BF%、FM和FFM均有显著主效应。与BODPOD相比，CVapp的BF%（平均高2.2%，p=0.005）和FM（平均高1.5 kg，p=0.021）显著更高，FFM显著更低（平均低1.3 kg，p=0.042）。与InBody相比，CVapp的BF%和FM也较高，但经Bonferroni校正后未达显著（BF% p=0.051；FM p=0.078），FFM较低但亦未显著（p=0.052）。BODPOD与InBody之间无明显差异。Bland-Altman分析显示，CVapp与两种比较方法之间的一致性界限较宽（例如BF%的95%一致性界限约为?11.2%至+6.8%），除BODPOD与CVapp的FFM比较存在显著比例偏倚（p=0.013）外，其余比较未发现显著比例偏倚。CCC显示CVapp与BODPOD的一致性为0.86（较差），与InBody为0.89（较差），且均低于BODPOD与InBody之间的一致性。

**测试-再测重复性：** 在标准化条件下，三种方法均表现出极好的同次会话重复性，ICC均超过0.99。CVapp的ICC最高，SEM和CoV最低；InBody次之；BODPOD的变异相对最大（BF%的CoV为2.7%）。

**性别亚组差异：** 女性中，CVapp的BF%比BODPOD高3.9%（p<0.001）、比InBody高3.0%（p<0.001）；FM分别高2.72 kg和2.60 kg（均p<0.001）；FFM分别低2.49 kg（p<0.001）和3.41 kg（p=0.002）。男性中，各方法间无显著差异。性别×方法交互作用在BF%（p<0.001）、FM（p<0.001）和FFM（p=0.013）上均显著，表明CVapp与比较方法之间的差异因性别而异。

**种族/民族亚组差异：** 在少数群体参与者中，CVapp的BF%比BODPOD高2.73%（p=0.009），FM高1.79 kg（p=0.031），FFM低1.78 kg（p=0.035）；BODPOD的BF%和FM显著低于InBody。在非少数群体参与者中，CVapp的BF%比InBody高2.32%（p=0.027），FM高2.23 kg（p=0.018）；FFM比InBody低3.29 kg（p=0.011）。少数群体×方法交互作用在FM（p=0.026）和FFM（p=0.014）上显著，BF%的交互作用未达显著（p=0.053）。

**四、讨论与结论**

本研究表明，智能手机CVapp在标准化条件下具有极好的同次会话重复性，但其测量值与BODPOD和InBody相比存在系统性、依赖方法的差异，且这种差异在女性和种族/民族少数群体中更为明显。高重复性并不等同于高一致性：CVapp能产生高度一致的重复测量值，但该值与比较方法的值系统性地不同。

这些发现具有重要的实践意义。在消费者健康或临床环境中，系统性方法差异可能导致不当建议或失去用户信任。CVapp的高可靠性提示其可用于个体内部随时间变化的相对跟踪（如减重进度），但前提是重复测量在相似条件下进行，并解读为个体内趋势而非绝对准确值。由于CVapp在女性和少数群体中的BF%高估和FFM低估可能造成健康风险误分类或掩盖瘦体重流失，因此不应将其作为独立诊断工具，也不应与BODPOD、InBody、DXA或四室模型等既定方法互换使用。

本研究存在局限性：未纳入DXA或四室模型作为标准参考方法；CVapp为商业专有工具，其算法和训练数据不透明；样本量有限；测量顺序固定；少数群体分类为二分类粗糙代理。未来研究应使用更大、更多样化的验证样本，直接与标准方法对比，提高算法透明度，纳入公平性导向的评估，并考虑测量肤色、体型等表型特征，以确保数字人体成分工具的公平性能。总之，本研究强调，智能手机CV人体成分技术虽有望提高可及性，但在广泛应用前仍需谨慎验证，尤其是对于不同性别和人群群体。

相关新闻