胰岛素抵抗是现代代谢疾病中最关键但却未被充分诊断的驱动因素之一。在2型糖尿病临床发作的几年之前，胰岛素敏感性的损害悄然影响血管健康、肝功能和能量代谢，远在空腹血糖升高到诊断范围之前。胰岛素抵抗的稳态模型评估（HOMA-IR）建模了肝脏葡萄糖生产与胰岛素分泌之间的反馈循环，在稳态空腹条件下，HOMA-IR得分超过2.9被视为胰岛素抵抗，基于流行病学回顾。最近的研究表明，结合可穿戴传感器数据与常规实验室测试的多模态机器学习框架可以准确预测HOMA-IR，以标记早期代谢风险。整合客观的身体成分测量为可穿戴技术提供了重要补充；虽然可穿戴设备跟踪每日生理行为，但身体成分提供了脂肪结构评估的独特视角，以形成代谢风险的完整图景。了解总体体脂百分比是衡量脂肪与瘦体重的良好基线，但额外的身体成分生物标志物提供了更深入的临床见解。例如，安卓-女性（A/G）脂肪比率比较了存储在躯干（“苹果”形状）与臀部和大腿（“梨”形状）中的脂肪；内脏脂肪与皮下脂肪面积比（V/S比率）区分了围绕器官的高代谢内部脂肪和皮肤下仅存储的皮下脂肪。升高的A/G比率和较高的内脏脂肪量与胰岛素抵抗的流行性强相关。目前，测量真实身体成分的金标准是双能X射线吸收法（DXA）扫描。这些扫描非常精确，但不适合每天筛查，因为它们昂贵，需要专门的临床基础设施，并让患者接触低剂量辐射。基于智能手机日常使用被动监测用户健康的日益发展，例如连续心率监测，我们推出了PhotoScan：一个研究性深度学习框架，直接从标准的2D智能手机照片中估计三维身体成分指标，包括体脂百分比（BF%）、A/G比率和V/S比率。为此，我们在UK Biobank中预训练了一个深度神经网络，参与人数超过35,000，并通过677名多样化的新队列进行了微调。经过临床队列的验证，PhotoScan在体脂百分比准确性上表现优于基于智能手表的生物电阻抗分析（BIA）传感器，同时解锁了超出BIA能力的A/G和V/S比率，提供了一种可扩展的、非侵入性的框架，以近DXA准确度预测胰岛素抵抗。PhotoScan的工作原理PhotoScan通过直接从智能手机图像中提取几何身体信息来绕过临床测量。我们在三个关键阶段构建和评估了这个框架：预训练（UK Biobank，N = 35,323）：利用UK生物银行数据集中包含的MRI影像和DXA的身体成分真实数据，从3D MRI扫描生成的2D正面和侧面投影图像中，我们训练了一种ResNet-50骨干（使用ImageNet权重初始化），以预测身体成分指标，以DXA扫描作为真实数据。模型通过最后一个密集层将图像特征与参与者性别、身高、体重和内部BMI融合，以输出目标指标的概率密度函数。微调（PhotoBIA队列，N = 677）：基于真实世界的智能手机照片与DXA真实数据配对，通过5倍交叉验证对子标题进行了微调。为了增强训练数据，一种自动化的关键点检测管道直接从360度参与者视频中选择最佳正面和侧面姿势帧。验证（MetabolicMosaic队列，N = 132）：在一个独立队列[294b87] 上进行评估，PhotoScan在BF%、A/G比率和V/S比率方面达到了强大的DXA一致性，使得近DXA准确度的胰岛素抵抗预测成为可能。这个独立验证数据库来自旧金山的一项为期30周的纵向试验，参与者在DXA、PhotoScan、BIA、人体测量、12小时空腹血液实验室（空腹血糖和胰岛素、全脂质面板等）和被动连续Fitbit跟踪上都有完整的配对数据。关键结果身体成分准确性对于PhotoBIA队列，通过5倍交叉验证评估，微调后的PhotoScan模型在BF%预测方面的平均绝对误差（MAE）为2.15，而BIA模型的MAE为2.91。A/G的平均MAE为0.107，V/S为0.094。对于MetabolicMosaic队列（独立验证），BF%、A/G和V/S的MAE均与PhotoBIA相当。