在健康监测领域，评估人体成分往往依赖于高成本、专业化的影像学检查手段，例如双能x射线吸收测定法（dxa扫描），用以精确识别脂肪在体内的分布模式与具体沉积区域。8月20日，海外科技媒体披露，google research正推进一项代号为photoscan ai的前沿研究项目，目标是借助普通智能手机摄像头，实现更普适、更轻量化的身体成分动态追踪。这并非社交平台常见的“瘦身滤镜”，而是一项基于临床数据驱动的严谨科学探索。
谷歌Pixel 11系列
PhotoScan系统通过AI算法对用户多角度拍摄的2D身体图像进行深度解析，从而推算关键身体成分参数。其模型训练初始阶段依托大量DXA扫描结果，覆盖总体脂肪率、腹部与下肢脂肪比（A/G比）、以及内脏脂肪与皮下脂肪比（V/S比）等核心指标。随后，研究人员进一步融合MRI影像数据，并以真实场景中智能手机采集的照片作为校准依据，持续优化模型泛化能力。实测结果显示，该系统在体脂率估算上的准确度已超越主流可穿戴设备所采用的生物电阻抗分析（BIA）技术；同时，在A/G比和V/S比这两项BIA完全无法获取的维度上，亦展现出高度一致性与可靠性。
Google Research团队还延伸探索了PhotoScan在代谢性疾病风险预测中的潜在价值，尤其聚焦于胰岛素抵抗这一关键临床表型——这也契合谷歌近期在数字健康与慢性病早期干预方向的战略布局。实验表明，将PhotoScan输出参数纳入预测模型后，整体判别效能显著增强，其表现几乎与金标准DXA扫描结果持平；而仅引入智能手表BIA数据则未带来任何统计学意义上的性能提升。
AI
Google Research强调，PhotoScan的核心使命在于弥合现有技术鸿沟：DXA虽具备最高临床精度，却受限于设备稀缺性与操作门槛，难以普及；BIA虽便捷易用，但受环境、水分状态及个体差异影响较大，稳定性与分辨率不足。PhotoScan则试图构建一种新范式——仅需日常智能手机拍摄的常规图像，即可输出接近DXA级精度的身体成分剖面信息，兼顾实用性与科学性。
尽管当前仍处于实验室验证阶段，谷歌已明确表示，该技术未来有望拓展至胰岛素抵抗、心血管代谢风险等领域的无创初筛场景。此外，团队正规划将PhotoScan数据与可穿戴设备信号、连续血糖监测（CGM）读数及其他多模态健康数据深度融合，共同构建个体化、动态演进的代谢健康评估体系。
