Zwei kontrolliert aufgenommene Smartphone-Ansichten können in einer Forschungsstudie mehr über die Körperzusammensetzung verraten als der BMI allein. Google Research nennt den Ansatz PhotoScan. Er schätzt aus Front- und Seitenbildern Merkmale wie Körperfettanteil und Fettverteilung und kombiniert sie mit Alter, Geschlecht und BMI zu einem statistischen Signal für eine studienspezifische Insulinresistenz-Klasse.
Das Ergebnis verdient Aufmerksamkeit, weil der Abstand zu einer Kombination mit DXA in dieser einen Kohorte klein ausfällt. Es ist aber kein Beleg dafür, dass zwei beliebige Handyfotos eine Stoffwechselstörung erkennen. PhotoScan misst weder Glukose noch Insulin, ist laut zugehörigem Paper ein Forschungswerkzeug und nicht für klinische Nutzung oder Selbstdiagnose validiert.
Was die Studie tatsächlich verglichen hat
Die entscheidende Zahl lautet nicht einfach „fast so gut wie DXA“. In der getrennten MetabolicMosaic-Kohorte erreichte ein Modell mit demografischen Angaben eine AUROC von 0,692. Kamen die von PhotoScan geschätzten Merkmale hinzu, stieg sie auf 0,760. Mit DXA-Merkmalen lag der Wert bei 0,773.
AUROC beschreibt hier, wie gut das Modell zwei in der Studie definierte Gruppen über verschiedene Schwellen hinweg unterscheiden kann. Es ist keine Trefferquote und erst recht keine individuelle Diagnosewahrscheinlichkeit. Die Differenzrechnung aus den Paperwerten macht die Größenordnung greifbar: PhotoScan liegt 6,8 Prozentpunkte über der Demografie-Baseline; DXA liegt 8,1 Punkte darüber. Zwischen beiden Kombinationen liegen 1,3 Punkte. Das zeigt einen interessanten Machbarkeitsbefund in diesem Datensatz, aber keine klinische Gleichwertigkeit.
Die Validierung umfasste 132 eindeutige Personen und 195 vollständige Sitzungen. Sie war von den Trainingskohorten getrennt, stammt aber aus demselben Google-Forschungskontext. Eine unabhängige Replikation durch eine andere Forschungsgruppe liegt damit nicht vor. Hinzu kommt: Die Aufnahmen folgten einem festen Protokoll mit Pixel-Smartphone, zwei Kamerahöhen, zwei Posen sowie Front- und Seitenansichten. Zwei Fotos sind in dieser Studie also nicht mit zwei beliebigen Selfies gleichzusetzen.
Vom Bild zum Risikosignal
Die Modellkette ist technisch nachvollziehbar, aber medizinisch leicht misszuverstehen. Aus den Bildern werden Körperkonturen und Landmarken verarbeitet. Daraus schätzt das Modell den Körperfettanteil (BF%), das Android-zu-Gynoid-Verhältnis (A/G, vereinfacht Rumpf- im Verhältnis zu Hüftregion) und das Verhältnis von viszeralem zu subkutanem Fett (V/S). Erst diese Schätzungen fließen zusammen mit Alter, Geschlecht und BMI in einen Klassifikator ein.
Das Zielmerkmal dieser Klassifikation war HOMA-IR. Dieser Index wird aus Nüchternglukose und Nüchterninsulin berechnet. Ein Telefon kann ihn nicht direkt bestimmen. Im Paper markiert HOMA-IR über 2,9 die Studienklasse „insulinresistent“. Daraus lässt sich kein allgemeiner Grenzwert für Nutzer ableiten: Unabhängige methodische Literatur weist darauf hin, dass HOMA-IR-Schwellen unter anderem von Population, Alter, Geschlecht und Messverfahren abhängen.
Genau hier liegt der Unterschied zwischen einem zusätzlichen Risikosignal und einer Diagnose. Ein Modell kann in einer Forschungsgruppe statistisch relevante Muster finden, ohne dass klar ist, ob es in der Versorgung bessere Entscheidungen ermöglicht. Dafür müsste gezeigt werden, welche Folge ein Hinweis in der Praxis hat: Führt er zu sinnvoller Abklärung, vermeidet er Fehlalarme und verbessert er tatsächlich Ergebnisse?
Warum der Vergleich mit DXA trotzdem relevant ist
DXA ist kein Stoffwechseltest, sondern ein etabliertes Verfahren zur Messung von Knochen-, Fett- und Mageranteilen mit regionaler Auflösung. Es liefert damit eine deutlich reichhaltigere Beschreibung als Gewicht und Körpergröße. Für die Studie ist DXA deshalb eine plausible Referenz für die Körperzusammensetzung. Im Alltag ist es jedoch aufwendiger: Geräte, Fachpersonal und ein geeigneter Standort gehören dazu; zudem arbeitet DXA mit geringer ionisierender Strahlung.
PhotoScan könnte den Zugang zu einer groben, bildbasierten Einordnung erheblich vereinfachen, falls sich die Ergebnisse später bestätigen. Das ist die praktische Idee hinter dem Projekt. Der aktuelle Vergleich beantwortet aber nur eine engere Frage: Ob die aus kontrollierten Bildern geschätzten Merkmale in dieser Kohorte ähnlich viel Zusatzinformation für die studienspezifische Klassifikation liefern wie die verwendeten DXA-Merkmale.
Auch die Vorgeschichte gehört zur Einordnung. Eine unabhängige Studie aus dem Jahr 2022 hatte Smartphone-Fotos bereits zur Schätzung von Körperfett gegen DXA untersucht. Neu an PhotoScan ist nicht, dass ein Smartphone überhaupt Körperfett schätzen soll. Der neue Anspruch liegt in regionaler Fettverteilung und der Verbindung zu einer HOMA-IR-basierten Risikoklasse. Das verschiebt die Frage vom reinen Messvergleich hin zu klinischem Nutzen und Verantwortung.
Die Evidenzleiter zeigt, was noch fehlt
- BMI und Maßband
- Sie sind einfache Näherungen für Körpergröße, Gewicht und Umfang. In der Studie bilden sie den Ausgangspunkt, erfassen aber Fettverteilung nur begrenzt.
- BIA
- Die elektrische Impedanzmessung kann Körperfett schätzen. In diesem Datensatz brachte die Kombination aus Demografie und BIA keinen vergleichbaren Zusatznutzen. Das ist keine allgemeine Bewertung jeder BIA-Anwendung.
- PhotoScan
- Die Bildschätzung ergänzt in der kontrollierten Forschungsumgebung Körperzusammensetzungsmerkmale und verbessert dort die statistische Klassifikation gegenüber der Demografie-Baseline.
- DXA
- Es liefert die stärkste Vergleichsleistung im Paper, ist aber kein direkter Insulinresistenztest und im Alltag deutlich weniger niedrigschwellig.
Diese Einordnung ist eine redaktionelle Synthese aus den Studienwerten und den Referenzquellen. Sie ersetzt keinen eigenen Test. Sie macht aber sichtbar, woran sich der Ansatz messen lassen muss: an Leistung außerhalb des kontrollierten Protokolls, an Kalibrierung für unterschiedliche Gruppen und an einem nachweisbaren Nutzen im medizinischen Ablauf.
Alltag, Datenschutz und Europa sind noch offene Kapitel
Die kleine Validierungskohorte und das feste Aufnahmeprotokoll begrenzen die Übertragbarkeit. Andere Kameras, Lichtverhältnisse, Kleidung, Abstand, Körperhaltung oder unvollständige Bilder können die Schätzung verändern. Offen ist auch, ob die Merkmale über Alter, Geschlecht, Ethnizität, Behinderung und unterschiedliche Körperformen gleich zuverlässig kalibriert sind.
Bei Körperbildern kommt der Datenschutz hinzu. Das Paper beschreibt Forschung mit Einwilligung und de-identifizierten Daten. Daraus folgt keine Antwort darauf, wie eine spätere App Bilder lokal verarbeitet, wie lange sie speichert, wer sie weitergeben darf oder wie Missbrauch verhindert wird. Gerade weil die Technik niedrigschwellig wirken kann, wären diese Regeln kein Detail.
Für Deutschland und die EU wäre zudem entscheidend, mit welchem Zweck ein mögliches Produkt auf den Markt käme. Die EU-Medizinprodukteverordnung und die MDCG-Leitlinie bieten einen Rahmen für Software mit medizinischer Zweckbestimmung. Sie sagen nichts über eine Zulassung oder Klassifizierung von PhotoScan aus. Vor einem Einsatz wären klinische Evidenz, Zweckbestimmung, Datenschutz, Risikobewertung und gegebenenfalls der Konformitätsweg jeweils separat zu klären.
Ein sinnvoller nächster Nachweis
Der nächste belastbare Schritt wäre keine neue Produktdemo, sondern eine größere prospektive Untersuchung über mehrere Standorte und Geräte. Sie müsste reale Aufnahmebedingungen einbeziehen, Ergebnisse nach relevanten Gruppen offenlegen und vorab festlegen, wie Kalibrierung, Fehlalarme und klinische Endpunkte bewertet werden. Erst dann ließe sich beurteilen, ob aus einem zusätzlichen Bildsignal auch ein sinnvoller Beitrag zur Versorgung werden kann.
PhotoScan zeigt damit weniger eine fertige Gesundheitsfunktion als eine interessante Lücke zwischen BMI und aufwendiger Bildgebung. Die Studie liefert ein zusätzliches statistisches Signal unter kontrollierten Bedingungen. Ob daraus eine faire, datenschutzgerechte und medizinisch nützliche Anwendung wird, ist der Teil der Arbeit, der noch vor ihr liegt.
Quellen und weiterführende Informationen
- Google Research: Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery (17.08.2026)
- Beyond BMI: Smartphone Body Composition Phenotyping for Cardiometabolic Risk Assessment, arXiv:2603.27017
- Smartphone camera based assessment of adiposity: a validation study, npj Digital Medicine (2022)
- Body Composition by DXA, Journal of Clinical Densitometry
- Insulin resistance (HOMA-IR) cut-off values and the metabolic syndrome
- Verordnung (EU) 2017/745 über Medizinprodukte und MDCG 2019-11 rev.1
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-08-24.
