PhotoScan คืออะไร และเหตุผลที่เทคโนโลยีนี้สำคัญ
PhotoScan Google คือระบบ AI วิเคราะห์ร่างกายที่ประเมินองค์ประกอบร่างกายและเปอร์เซ็นต์ไขมันจากภาพถ่ายสองมิติของร่างกายที่ได้จากกล้องสมาร์ตโฟน โดยใช้ Deep Learning สุขภาพ ที่ผ่านการฝึกจากข้อมูลสแกนทางการแพทย์ระดับ DXA และ MRI ก่อนนำมาปรับให้ทำงานกับภาพถ่ายทั่วไป เพื่อให้การประเมินไขมันจากภาพใกล้เคียงมาตรฐานคลินิกมากที่สุด.
สาระสำคัญคือ PhotoScan ไม่ได้ตั้งใจมาแทนแพทย์ แต่ต้องการยกระดับการประเมินไขมันจากภาพในชีวิตประจำวันให้มีความหมายมากกว่าการดูหุ่นแล้วเดา หรือดูแค่ตัวเลขบนตาชั่ง AI วิเคราะห์ร่างกายในรูปแบบนี้ช่วยแปลภาพให้กลายเป็นตัวชี้วัดสุขภาพ เช่น เปอร์เซ็นต์ไขมัน อัตราส่วนไขมันลำตัวต่อสะโพก (A/G) และไขมันในช่องท้องต่อไขมันใต้ผิวหนัง (V/S) ซึ่งสัมพันธ์กับความเสี่ยงโรคเมตาบอลิกหลายอย่าง. ในมุมของผู้ใช้ เทคโนโลยีนี้คือก้าวต่อไปของการดูแลสุขภาพส่วนบุคคล ที่อาศัยสิ่งที่เรามีอยู่แล้วคือกล้องมือถือ แทนที่จะต้องพึ่งอุปกรณ์เฉพาะทางทุกครั้ง.
PhotoScan ทำงานอย่างไร: Deep Learning สุขภาพจาก DXA สู่ภาพถ่ายมือถือ
หัวใจของ PhotoScan คือการใช้โครงข่ายประสาทเทียมสถาปัตยกรรม ResNet-50 มารับภาพถ่ายสองมิติของร่างกายและแปลงให้เป็นค่าตัวเลขด้านองค์ประกอบร่างกาย. ทีมวิจัยเริ่มจากการป้อนข้อมูลขนาดใหญ่จากฐานข้อมูล UK Biobank จำนวน 35,323 ราย โดยสร้างภาพฉาย 2 มิติจากภาพ MRI แบบ 3 มิติ แล้วใช้ผลสแกน DXA เป็นค่ามาตรฐานอ้างอิง เพื่อให้โมเดลเรียนรู้ความสัมพันธ์ระหว่างรูปร่างภายนอกกับไขมันในส่วนต่าง ๆ ของร่างกาย.
เมื่อโมเดลมี “สายตาแบบแพทย์” จาก DXA และ MRI แล้ว จึงนำมาปรับจูนต่อด้วยชุดข้อมูล PhotoBIA ซึ่งเป็นภาพถ่ายจากกล้องสมาร์ตโฟนของอาสาสมัคร 677 ราย และทดสอบกับกลุ่มตัวอย่าง MetabolicMosaic อีก 132 รายที่ติดตามระยะยาว 30 สัปดาห์. กระบวนการนี้ทำให้ Deep Learning สุขภาพของ PhotoScan เข้าใจทั้งโลกของภาพสแกนแพทย์และโลกจริงของภาพถ่ายมือถือ ผลลัพธ์คือระบบสามารถประเมินไขมันจากภาพได้ทั้งเปอร์เซ็นต์ไขมันรวม ค่าความสัมพันธ์ไขมันลำตัวต่อสะโพก/ขา และไขมันในช่องท้องต่อไขมันใต้ผิวหนัง ซึ่งเดิมเป็นข้อมูลที่ต้องพึ่งเครื่องมือทางคลินิกขั้นสูง.
แม่นแค่ไหนเมื่อเทียบกับ DXA และสมาร์ตวอตช์ที่ใช้ BIA
จุดที่ทำให้ PhotoScan น่าจับตาคือระดับความแม่นยำที่เข้าใกล้เครื่อง DXA ในขณะที่ให้ผลดีกว่าการวัดจากเซนเซอร์ BIA บนอุปกรณ์สวมใส่ที่เราใช้กันทั่วไป. จากการทดสอบกับกลุ่ม PhotoBIA พบว่า PhotoScan มีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยของเปอร์เซ็นต์ไขมันในร่างกายอยู่ที่ 2.15 ขณะที่โมเดลซึ่งใช้ข้อมูลจากเซนเซอร์ BIA อยู่ที่ 2.91. นั่นหมายความว่า AI ที่ประเมินไขมันจากภาพสามารถตีความสัดส่วนร่างกายได้ใกล้เคียงการสแกนแบบ X-ray สองพลังงานมากกว่าอุปกรณ์สวมใส่ที่พึ่งพากระแสไฟฟ้าอ่อน.
ที่สำคัญกว่านั้น เซนเซอร์ BIA บนสมาร์ตวอตช์หรือเครื่องชั่งให้ข้อมูลเพียงเปอร์เซ็นต์ไขมันรวม ซึ่งมีน้ำหนักความสำคัญต่ำกว่าค่า A/G และ V/S อย่างมีนัยสำคัญ. PhotoScan กลับทำได้มากกว่านั้น เพราะมันแยกสัดส่วนไขมันที่เกี่ยวข้องกับความเสี่ยงโรคเมตาบอลิก เช่น ภาวะดื้ออินซูลิน และเมื่อนำค่าที่ได้จาก PhotoScan ไปเสริมกับข้อมูลพื้นฐานอย่างอายุ เพศ และ BMI โมเดลสามารถเพิ่มค่า AUROC จาก 0.692 เป็น 0.760 ในการจำแนกภาวะดื้ออินซูลิน ขณะที่การเพิ่มข้อมูลจาก BIA ไม่ได้ช่วยให้ค่าตัวชี้วัดดีขึ้นเลย. นี่คือหลักฐานว่า AI วิเคราะห์ร่างกายจากภาพไม่ได้แค่ “ใกล้เคียง” แต่อาจ “เหนือกว่า” อุปกรณ์สวมใส่บางประเภทด้วยซ้ำ.
ประโยชน์ที่เป็นรูปธรรม: จากฟิตเนสส่วนตัวสู่การเฝ้าระวังสุขภาพเมตาบอลิก
แม้ PhotoScan ยังเป็นต้นแบบ แต่แนวทางนี้บอกเราอย่างชัดเจนว่าอนาคตของการดูแลสุขภาพอาจเริ่มจากภาพถ่ายธรรมดา ๆ ที่เราใช้ทุกวัน. การประเมินไขมันจากภาพสามารถเปลี่ยนประสบการณ์การติดตามฟิตเนสได้ทันที เพราะเราไม่ได้เห็นแค่ตัวเลขน้ำหนัก หรือเปอร์เซ็นต์ไขมันรวม แต่เห็นว่าร่างกายเก็บไขมันตรงไหนมากเป็นพิเศษ เช่น ช่วงลำตัวหรือช่องท้อง ซึ่งส่งผลต่อความเสี่ยงโรคหัวใจและเบาหวานมากกว่าการอ้วนทั่ว ๆ ไป.
งานวิจัยยังชี้ว่า PhotoScan อาจต่อยอดไปใช้ประเมินแนวโน้มภาวะดื้ออินซูลินร่วมกับฟีเจอร์ด้านสุขภาพอื่น ๆ ที่อาศัยข้อมูลการเต้นของหัวใจ การนอน และการเคลื่อนไหว โดยไม่ต้องเจาะเลือด. “เมื่อเพิ่มข้อมูลจาก PhotoScan ค่าการจำแนกภาวะดื้ออินซูลิน AUROC เพิ่มจาก 0.692 เป็น 0.760” คือคำยืนยันว่าแพลตฟอร์ม AI วิเคราะห์ร่างกายแบบนี้ไม่ได้เป็นแค่ของเล่นเทคโนโลยี แต่มีศักยภาพเป็นเครื่องมือคัดกรองเบื้องต้นที่เข้าถึงคนจำนวนมากได้. ในระดับบุคคล มันช่วยให้เราเห็นผลของการออกกำลังกายและการควบคุมอาหารในเชิงคุณภาพมากขึ้น ไม่ใช่แค่ลดน้ำหนักได้กี่กิโล.
ข้อจำกัด ความกังวล และทิศทางต่อไปของ PhotoScan
แม้ภาพจะดูสวยงาม แต่ต้องไม่ลืมว่า PhotoScan ยังอยู่ในระยะวิจัยต้นแบบเท่านั้น และ Google ยังไม่ประกาศแผนจะเปลี่ยนให้เป็นผลิตภัณฑ์สำหรับผู้บริโภคทั่วไปในตอนนี้. ทีมวิจัยเองก็ย้ำว่า DXA ยังเป็นมาตรฐานที่แม่นยำที่สุด เพียงแต่ขยายผลในวงกว้างได้ยาก ส่วนเซนเซอร์ BIA บนอุปกรณ์สวมใส่แม้ใช้งานสะดวก แต่จำกัดอยู่ที่เปอร์เซ็นต์ไขมันพื้นฐาน ขณะที่ PhotoScan เป็น “ทางเลือกตรงกลาง” ที่น่าสนใจ.
อีกหนึ่งโจทย์ใหญ่คือความเป็นส่วนตัวของภาพถ่ายร่างกายเต็มตัว ผู้ใช้จำนวนมากอาจลังเลที่จะส่งภาพลักษณะนี้ให้ระบบใดก็ตาม แม้จะมีนโยบายคุ้มครองข้อมูลที่เข้มงวดเพียงใด. นอกจากนี้ ต่อให้ AI วิเคราะห์ร่างกายได้ละเอียดเพียงใด ปัญหาสุขภาพก็จะไม่ดีขึ้นหากผู้ใช้ไม่ลงมือปรับวิถีชีวิตอยู่ดี. ในมุมมองเชิงความคิดเห็น PhotoScan คือเครื่องมือที่ “เปิดประตู” ให้เราเข้าใจร่างกายตัวเองลึกขึ้น แต่กุญแจสำคัญยังอยู่ที่การลงมือ เช่น การจัดการอาหาร การเคลื่อนไหว และการพักผ่อน. หากอนาคต PhotoScan ถูกฝังในแพลตฟอร์มสุขภาพต่าง ๆ อย่างเหมาะสม มันอาจกลายเป็นตัวเชื่อมสำคัญระหว่างข้อมูลเชิงลึกระดับคลินิกกับชีวิตประจำวันของเรา.
