Statt Wearables: Google-Forscher messen Körperfett anhand von Smartphone-Fotos

Was geschehen ist: Die Innovation der Körperanalyse

Google-Forscher haben ein neues Verfahren vorgestellt, das die Bestimmung des Körperfettanteils revolutionieren könnte. Unter dem Namen „Photoscan AI“ hat das Forschungsteam eine Methode entwickelt, die es ermöglicht, die Körperzusammensetzung allein auf Basis von zweidimensionalen Smartphone-Aufnahmen zu berechnen. Bisher war eine exakte Analyse der Fettverteilung im menschlichen Körper fast ausschließlich aufwendigen medizinischen Verfahren vorbehalten, die in Kliniken oder spezialisierten Praxen durchgeführt werden müssen. Das neue System von Google zielt darauf ab, diese Hürde zu senken und eine präzise Einschätzung des Körperfetts sowie dessen spezifischer Verteilung im Organismus für Nutzer zugänglicher zu machen. Die Technologie nutzt dabei modernste Ansätze der künstlichen Intelligenz, um aus einfachen Fotos, wie sie jeder Smartphone-Besitzer täglich aufnimmt, komplexe gesundheitliche Daten zu extrahieren. Damit positioniert sich Google in einem Bereich, der bisher von klassischen Wearables und medizinischen Diagnosegeräten dominiert wurde, und bietet eine potenziell skalierbare Lösung für die kardiometabolische Forschung und Gesundheitsvorsorge an.

Die Einzelheiten der technischen Umsetzung

Die wissenschaftliche Basis für Photoscan AI ist ein komplexes Trainingsmodell, das von den Forschern Cassie Zhou und Ahmed Metwally sowie ihrem Team entwickelt wurde. Um das System zu trainieren, griffen die Entwickler auf umfangreiche Datensätze zurück, die primär aus DXA-Röntgendaten bestanden. Diese Methode gilt als Goldstandard für die Messung der Körperzusammensetzung. Die KI wurde darauf programmiert, nicht nur den Gesamtfettanteil zu erfassen, sondern auch das spezifische Verhältnis zwischen Rumpf- und Beinfett sowie zwischen viszeralem Organfett und subkutanem Fettgewebe zu differenzieren. Ergänzend dazu integrierte das Team MRT-Körperdaten, um die Genauigkeit der Berechnungen weiter zu erhöhen. Durch eine gezielte Feinabstimmung mit echten Smartphone-Fotos konnte das Modell schließlich eine Präzision erreichen, die laut internen Angaben von Google Research die Leistungsfähigkeit herkömmlicher bioelektrischer Impedanzanalysen (BIA), wie sie in handelsüblichen Fitness-Trackern oder smarten Körperfettwaagen verbaut sind, übertrifft. Die Ergebnisse zeigen, dass die KI-gestützte Bildanalyse eine Brücke schlägt zwischen der einfachen, aber ungenauen Schätzung durch Wearables und der hochpräzisen, aber unhandlichen medizinischen Bildgebung.

Hintergrund und medizinische Relevanz

Die Beschäftigung mit dem Körperfettanteil ist weit mehr als eine Frage der Ästhetik. Körperfett erfüllt essenzielle biologische Funktionen: Es dient als wichtiger Energiespeicher, fungiert als Isolierschicht gegen Wärmeverlust und sorgt dafür, dass innere Organe an ihrem angestammten Platz gehalten werden. Dennoch ist ein Zuviel an Fett, insbesondere im Bauchraum, ein bekannter Risikofaktor für schwerwiegende gesundheitliche Probleme wie Herz-Kreislauf-Erkrankungen oder Diabetes. Der Körperfettanteil variiert dabei stark je nach Alter und Geschlecht. Während für Männer ein Bereich von acht bis 24 Prozent als gesund gilt, liegt der Zielwert für Frauen aufgrund biologischer Unterschiede meist zwischen 21 und 35 Prozent. Mit fortschreitendem Alter nimmt die Muskelmasse natürlicherweise ab, während der Fettanteil tendenziell zunimmt. Da die bisherigen Methoden zur Bestimmung – sei es die BIA-Messung durch Stromimpulse oder die medizinische DXA- beziehungsweise MRT-Bildgebung – entweder ungenau oder sehr kostspielig und zeitintensiv sind, suchte die Forschung nach einem Mittelweg. Photoscan AI soll genau diese Lücke schließen und eine niederschwellige Überwachung ermöglichen.

Die Beteiligten und ihre wissenschaftliche Perspektive

Die treibenden Kräfte hinter diesem Projekt sind die Google-Forscher Cassie Zhou und Ahmed Metwally. In einem offiziellen Blogbeitrag von Google Research erläutern sie die Motivation hinter ihrer Arbeit und betonen die klinische Bedeutung der neuen Technologie. Sie identifizieren die Insulinresistenz als einen der kritischsten, aber gleichzeitig am häufigsten übersehenen Auslöser für moderne Stoffwechselerkrankungen. Die Wissenschaftler weisen darauf hin, dass eine verminderte Insulinsensitivität den Körper bereits Jahre vor dem tatsächlichen Ausbruch eines Typ-2-Diabetes schleichend schädigen kann. Durch die Entwicklung von Photoscan AI möchten sie ein Instrument schaffen, das in der kardiometabolischen Forschung als skalierbares Werkzeug dienen kann. Die Forscher unterstreichen dabei, dass ihr Ansatz nicht die medizinische Diagnose ersetzen, sondern eine Lücke in der diagnostischen Kette füllen soll. Während klinische DXA-Scans zwar unübertroffene Genauigkeit liefern, fehlt ihnen die Skalierbarkeit für den Massenmarkt, während tragbare BIA-Sensoren zwar bequem sind, aber in der Tiefe der Analyse oft nicht ausreichen. Hier sehen Zhou und Metwally das größte Potenzial für ihre KI-Lösung.

Einordnung der Ergebnisse und methodische Bewertung

Einzuordnen ist das Projekt als ein bedeutender Schritt in der digitalen Gesundheitsanalyse. Den Berichten zufolge belegen die Ergebnisse der Forscher die prinzipielle Machbarkeit, eine komplexe Körperzusammensetzung mittels Smartphone-Fotografie zuverlässig zu schätzen. Dabei ist jedoch zu beachten, dass die KI-gestützte Methode laut Google zwar eine Genauigkeit erreicht, die „nah an die der DXA-Methode heranreicht“, sie jedoch weiterhin als Schätzverfahren und nicht als vollumfänglicher medizinischer Ersatz für bildgebende Verfahren in der Klinik zu verstehen ist. Die Einordnung durch die Forscher selbst macht deutlich, dass es sich um einen „vielversprechenden Mittelweg“ handelt. Die Bewertung der Ergebnisse stützt sich auf die Korrelation zwischen den KI-Berechnungen und den medizinischen Referenzdaten aus MRT und DXA. Die technologische Leistung liegt vor allem in der Fähigkeit der KI, aus den zweidimensionalen Bildinformationen dreidimensionale Rückschlüsse auf die Verteilung des Körperfetts zu ziehen, was bisher als mathematisch äußerst anspruchsvoll galt.

Offene Fragen und Limitationen des Ansatzes

Obwohl die Ergebnisse der Google-Forscher vielversprechend klingen, lässt der Quelltext einige wesentliche Fragen offen, die für eine breite Anwendung entscheidend wären. So wird nicht explizit erläutert, wie das System mit unterschiedlichen Lichtverhältnissen, verschiedenen Kamerawinkeln oder der individuellen Körperhaltung umgeht, die bei einer privaten Aufnahme zu Hause variieren können. Auch bleibt unklar, inwieweit die Kleidung des Nutzers die Analyse beeinflusst oder ob für eine präzise Auswertung spezifische Bedingungen an die Aufnahmeumgebung gestellt werden müssen. Zudem fehlen Informationen darüber, ob und wann eine solche Anwendung tatsächlich für Endnutzer in Form einer App oder eines Dienstes zur Verfügung stehen wird. Die Frage der Datensicherheit und des Datenschutzes, die bei der Verarbeitung sensibler biometrischer Daten durch KI-Modelle von zentraler Bedeutung ist, wird im vorliegenden Kontext nicht thematisiert. Ebenso bleibt offen, wie das System mit extremen Abweichungen in der Körperstatur umgeht, die möglicherweise nicht in den ursprünglichen Trainingsdaten enthalten waren.

Wie es weitergeht: Ausblick auf die Forschung

Die Ankündigung von Google Research markiert einen wichtigen Meilenstein in der Erforschung skalierbarer Methoden für die kardiometabolische Forschung. Die nächsten Schritte hängen nun davon ab, wie die wissenschaftliche Gemeinschaft auf diese Ergebnisse reagiert und ob das System in weiteren Studien validiert werden kann. Da die Forscher ausdrücklich von einer „Machbarkeitsstudie“ sprechen, ist davon auszugehen, dass weitere Entwicklungszyklen notwendig sind, um die Genauigkeit und Robustheit des Modells unter realen Bedingungen weiter zu steigern. Ob Google plant, diese Technologie in bestehende Gesundheitsprodukte zu integrieren oder sie als offene Forschungsgrundlage zu etablieren, wurde bisher nicht spezifiziert. Die Entwicklung bleibt ein hochspannendes Feld, da sie das Potenzial hat, die Art und Weise, wie Menschen ihren eigenen Gesundheitszustand überwachen, grundlegend zu verändern. Nutzer und Fachkreise werden beobachten müssen, ob die Technologie den Sprung aus dem Forschungslabor in die breite Anwendung schafft und welche regulatorischen Hürden dabei für eine medizinische Zertifizierung genommen werden müssen.