PhotoScan คืออะไร และทำไมกล้องมือถือถึงเริ่มทดแทนห้องสแกนได้
PhotoScan คือระบบปัญญาประดิษฐ์จาก Google Research ที่ใช้ Deep Learning สุขภาพ วิเคราะห์องค์ประกอบร่างกายจากภาพสองมิติที่ถ่ายด้วยกล้องสมาร์ทโฟน AI เพื่อประเมินไขมันในร่างกายและการกระจายตัวของไขมันในส่วนต่างๆ ของร่างกาย โดยมีความแม่นยำเข้าใกล้มาตรฐานระดับการตรวจ DXA ในห้องปฏิบัติการทางคลินิก และถูกออกแบบมาให้ใช้งานได้ผ่านอุปกรณ์พกพาสำหรับผู้ใช้ทั่วไปในอนาคต.
ประเด็นสำคัญคือ PhotoScan ไม่ได้เป็นเพียงลูกเล่นกล้องสวย แต่คือการโยกศูนย์กลางของการวิเคราะห์องค์ประกอบร่างกายออกจากเครื่องสแกนราคาแพง มาสู่อุปกรณ์ที่คนพกติดตัวอยู่แล้วอย่างสมาร์ทโฟน งานวิจัยนี้ใช้ Deep Learning ประเมินองค์ประกอบของร่างกายจากภาพถ่ายสองมิติด้วยกล้องของสมาร์ทโฟนโดยตรง จึงเป็นก้าวแรกที่ตั้งคำถามกับสมมติฐานเดิมๆ ว่า การวิเคราะห์ไขมันเชิงลึกต้องทำในโรงพยาบาลเท่านั้น
ในมุมมองเชิงความคิดเห็น การที่เทคโนโลยีระดับนี้เริ่มทำงานได้จากกล้องมือถือ หมายถึงอำนาจในการรู้จักร่างกายตัวเองกำลังย้ายจากมือแพทย์ไปสู่มือคนธรรมดา ซึ่งทั้งน่าตื่นเต้นและน่าจับตาในเวลาเดียวกัน
กลไกเบื้องหลัง: จาก DXA และ MRI สู่เซลฟี่หน้า–ข้าง
หัวใจของ PhotoScan คือโมเดลโครงข่ายประสาทเทียมสถาปัตยกรรม ResNet-50 ที่ถูกฝึกอย่างจริงจัง ทีมวิจัยใช้ข้อมูลผู้เข้าร่วมจากฐานข้อมูล UK Biobank จำนวน 35,323 ราย โดยสร้างภาพฉายสองมิติจาก MRI แบบสามมิติ แล้วใช้ผลสแกนจากเทคโนโลยี DXA เป็นค่าอ้างอิงในการสอนโมเดล. นี่คือการเอาความแม่นยำระดับ X-ray มาเป็น “ครู” ให้กล้องมือถือเรียนรู้
หลังจากนั้น โมเดลถูกปรับจูนด้วยชุดข้อมูล PhotoBIA ซึ่งเป็นภาพถ่ายจากสมาร์ทโฟนของอาสาสมัครจำนวน 677 ราย และทดสอบกับกลุ่มตัวอย่างอิสระ MetabolicMosaic อีก 132 ราย. ตามคำอธิบายของงานวิจัย “PhotoScan is Google Research’s system for estimating body composition by using AI to analyze a series of 2D images of your body.” การประเมินไม่ได้ต้องการอะไรซับซ้อน ผู้ใช้เพียงถ่ายภาพคู่ทั้งด้านหน้าและด้านข้าง ระบบก็สามารถประเมินเปอร์เซ็นต์ไขมัน อัตราส่วนไขมันช่วงลำตัวต่อสะโพก (A/G) และอัตราส่วนไขมันในช่องท้องต่อไขมันใต้ผิวหนัง (V/S) ได้
เมื่อมองในภาพรวม นี่คือการต่อสายข้อมูลจากห้อง MRI และ DXA เข้ากับโลกของภาพถ่ายมือถืออย่างแนบเนียน เปลี่ยนเซลฟี่ธรรมดาให้กลายเป็นข้อมูลทางเมตาบอลิซึมที่มีคุณค่าทางสุขภาพ
กันสับสน: PhotoScan ต่างจาก DXA และเซนเซอร์ BIA อย่างไร
ปัจจุบันการวิเคราะห์องค์ประกอบร่างกายมีสามขั้วหลัก: DXA, เซนเซอร์ BIA บนอุปกรณ์สวมใส่ และแนวทางใหม่อย่าง PhotoScan. งานวิจัยระบุชัดว่า การสแกน DXA ยังให้ผลแม่นยำที่สุด แต่ขยายผลในวงกว้างได้ยาก ขณะที่เซนเซอร์ BIA แบบสวมใส่สะดวกกว่า แต่จำกัดอยู่ที่เปอร์เซ็นต์ไขมันพื้นฐาน ส่วน PhotoScan เป็นทางเลือกตรงกลางที่น่าสนใจ
ในด้านสมรรถนะ โมเดลพื้นฐานที่ใช้เพียงอายุ เพศ และดัชนีมวลกายทำค่า AUROC ในการจำแนกภาวะดื้ออินซูลินได้ 0.692 เมื่อเพิ่มข้อมูลจาก PhotoScan ค่าขยับขึ้นเป็น 0.760 ขณะที่การเพิ่มข้อมูลจาก DXA ซึ่งเป็นมาตรฐานทางคลินิก ทำได้ 0.773. ประโยคนี้ควรถูกจดจำว่าเป็นหมุดหมายสำคัญ: “PhotoScan ขยับความแม่นยำเข้าใกล้ DXA ในการประเมินภาวะดื้ออินซูลิน แม้ใช้เพียงภาพจากกล้องสมาร์ทโฟน”
ตรงกันข้าม การเพิ่มข้อมูลจากเซนเซอร์ BIA ไม่ช่วยให้ค่าความแม่นยำดีขึ้นเลย เพราะ BIA ให้ข้อมูลได้เพียงเปอร์เซ็นต์ไขมันรวม ซึ่งมีน้ำหนักความสำคัญต่ำกว่าค่า A/G และ V/S อย่างมีนัยสำคัญ. เมื่อมองเชิงใช้งาน นี่คือการชี้ชัดว่า ไม่ใช่ทุกตัวเลขไขมันที่เท่ากัน การรู้ “ตำแหน่ง” ของไขมันสำคัญกว่าค่าเปอร์เซ็นต์รวมเพียงตัวเดียว
จากตัวเลขไขมันสู่การคาดการณ์ภาวะดื้ออินซูลิน
PhotoScan ไม่ได้หยุดแค่การประเมินไขมันในร่างกาย แต่มุ่งไปที่โจทย์ใหญ่กว่าอย่างเมตาบอลิซึมของร่างกาย งานวิจัยทดลองใช้ผลลัพธ์ของ PhotoScan เพื่อช่วยทำนายภาวะดื้ออินซูลิน และพบว่าการเพิ่มข้อมูลจากภาพเหล่านี้ทำให้ประสิทธิภาพของแบบจำลองดีขึ้นอย่างชัดเจนเมื่อเทียบกับการใช้ข้อมูลประชากรพื้นฐานเพียงอย่างเดียว. นั่นหมายความว่า เซลฟี่ที่เราเคยมองว่าเป็นภาพผิวเผิน กำลังแปรสภาพเป็นตัวชี้วัดความเสี่ยงโรคเรื้อรังในอนาคต
ที่สำคัญ แนวคิดของ PhotoScan ยังถูกเชื่อมต่อไปสู่งานด้านสุขภาพอื่น เช่นฟีเจอร์ Insulin Resistance Trends ที่ประเมินแนวโน้มภาวะดื้ออินซูลินจากข้อมูลการเต้นของหัวใจ การนอน และการเคลื่อนไหว โดยไม่ต้องเจาะเลือด. เมื่อผสานข้อมูลจากการวิเคราะห์องค์ประกอบร่างกายเข้ากับข้อมูลจากอุปกรณ์สวมใส่ต่อเนื่องและตัวชี้วัดจากเลือดตามแผนในอนาคต เราอาจได้ระบบเตือนภัยสุขภาพแบบส่วนตัวที่ทำงานอยู่เบื้องหลังชีวิตประจำวันโดยไม่ต้องไปโรงพยาบาลบ่อยเหมือนเดิม
อย่างไรก็ตาม คำถามสำคัญที่งานวิจัยเองก็ยอมรับคือ ต่อให้เรามีข้อมูลสุขภาพที่ละเอียดขึ้นแล้ว เราจะเปลี่ยนพฤติกรรมอาหารและการใช้ชีวิตตามข้อมูลนั้นได้มากน้อยแค่ไหน นี่คือโจทย์ที่ยากกว่าด้านเทคนิคเสียอีก
อนาคตแบบ mobile-first: โอกาส ความเสี่ยง และสิ่งที่เราควรเรียกร้อง
แม้ผลลัพธ์ของ PhotoScan จะน่าประทับใจ แต่งานวิจัยย้ำเองว่านี่เป็นเพียงต้นแบบทางเทคนิค และยังไม่มีแผนชัดเจนในการเปลี่ยนให้เป็นผลิตภัณฑ์สำหรับผู้บริโภคทั่วไปในตอนนี้. อย่างไรก็ดี การที่นักวิจัยกำลังหาวิธีประเมินร่างกายโดยใช้แค่กล้องสมาร์ทโฟน แปลว่าแนวคิด mobile-first ในการดูแลสุขภาพกำลังจะกลายเป็นบรรทัดฐานใหม่ ซึ่งอาจทำให้การติดตามสุขภาพเข้าถึงคนวงกว้างมากขึ้นโดยไม่ต้องพึ่งอุปกรณ์เฉพาะทางราคาแพง
ในเชิงสังคม เราควรตั้งคำถามสองด้านพร้อมกัน ด้านหนึ่งคือโอกาส: ระบบวิเคราะห์องค์ประกอบร่างกายที่แม่นยำใกล้ DXA แต่ใช้เพียงกล้องสมาร์ทโฟน AI อาจช่วยให้คนจำนวนมากรู้เท่าทันความเสี่ยงด้านเมตาบอลิซึมของตัวเองตั้งแต่เนิ่นๆ. อีกด้านหนึ่งคือความเสี่ยงเรื่องความเป็นส่วนตัว การยอมส่งภาพร่างกายละเอียดระดับนี้ให้ระบบ AI วิเคราะห์ไม่ใช่เรื่องเล็ก และต้องอาศัยมาตรการปกป้องข้อมูลที่ชัดเจน
ข้อสรุปในวันนี้จึงไม่ใช่การประกาศว่ากล้องมือถือจะล้มเครื่อง DXA แต่คือการยอมรับว่าเส้นแบ่งระหว่างเครื่องมือคลินิกกับอุปกรณ์ประจำวันกำลังพร่าเลือน เราควรกดดันให้เทคโนโลยีแบบ PhotoScan เดินหน้าไปพร้อมกับมาตรฐานจริยธรรมและความโปร่งใสที่สูงขึ้น เพื่อให้ “การวิเคราะห์องค์ประกอบร่างกาย” ด้วยมือถือเป็นทั้งก้าวหน้าทางวิทยาศาสตร์ และความก้าวหน้าต่อคุณภาพชีวิตของคนส่วนใหญ่จริงๆ