ما وراء مؤشر كتلة الجسم: تقدير المخاطر القلبية الأيضية باستخدام صور الهواتف الذكية

ما وراء مؤشر كتلة الجسم: تقدير المخاطر القلبية الأيضية باستخدام صور الهاتف الذكي

لعقود من الزمن، كان مؤشر كتلة الجسم (BMI) هو الأداة الافتراضية المختصرة للصحة الأيضية. يحسبه الأطباء في ثوانٍ، وتستخدمه شركات التأمين لتعديل أقساط التأمين، وتعتمد عليه وكالات الصحة العامة لرسم خرائط اتجاهات السمنة. ومع ذلك، كان مؤشر كتلة الجسم دائمًا أداة غير دقيقة. فهو لا يستطيع التمييز بين العضلات والدهون، ولا يقول شيئًا عن مكان توزيع الدهون، وغالبًا ما يخطئ في تصنيف الأفراد الأصحاء أو غير الأصحاء أيضيًا. استمر البحث عن بديل أفضل وأكثر سهولة في الوصول إليه لسنوات. وقد ظهر الآن مرشح مثير للاهتمام بشكل خاص من نقطة التقاطع بين التعلم الآلي والتكنولوجيا اليومية: كاميرا الهاتف الذكي. في أغسطس 2026، نشرت Google Research منشور مدونة بعنوان "ما وراء مؤشر كتلة الجسم: تقدير المخاطر القلبية الأيضية باستخدام صور الهاتف الذكي"، تصف فيه كيف يمكن للصور الفوتوغرافية العادية الملتقطة بجهاز محمول أن توفر إشارة أكثر ثراءً حول المخاطر القلبية الأيضية مما يمكن أن يقدمه أي حساب بسيط للطول والوزن.

الفكرة ليست مجرد تحسين مقياس قديم، بل إعادة التفكير في نوع البيانات التي يمكننا استخراجها من جسم الإنسان باستخدام كاميرا فقط. يستكشف هذا المقال سبب قصور مؤشر كتلة الجسم، وكيف يمكن لصور الهاتف الذكي أن تسد هذه الفجوة، وما الذي يجب أن يحدث قبل أن تنتقل هذه التكنولوجيا من مدونة الأبحاث إلى العيادة.

لماذا يقصر مؤشر كتلة الجسم كمؤشر صحي

قدّم مؤشر كتلة الجسم في القرن التاسع عشر الإحصائي البلجيكي أدولف كيتيليه، الذي كان مهتمًا بتحديد البنية البشرية "الطبيعية" بين السكان. الصيغة—الوزن بالكيلوغرام مقسومًا على مربع الطول بالمتر—لم تُصمم أبدًا لتشخيص الأمراض. لقد كانت أداة إحصائية على مستوى السكان، وليست تقييمًا طبيًا شخصيًا. هذا التمييز مهم الآن أكثر من أي وقت مضى.

يمكن لشخصين لهما نفس مؤشر كتلة الجسم تمامًا أن يمتلكا ملفات صحية مختلفة تمامًا. لاعب الرغبي والموظف المستقر الذي يقضي وقته جالسًا قد يتشاركان في نفس الطول والوزن، لكن الأول يحمل كتلة عضلية كبيرة بينما يحمل الأخير دهونًا حشوية زائدة. تتباين مخاطرهما للإصابة بداء السكري من النوع الثاني وارتفاع ضغط الدم وأمراض القلب والأوعية الدموية بشكل حاد، لكن مؤشر كتلة الجسم وحده لا يمكنه التقاط هذا الاختلاف. وبالمثل، يمكن للأشخاص ذوي مؤشر كتلة الجسم "الطبيعي" أن يعانوا من متلازمة التمثيل الغذائي إذا حملوا دهونًا في منطقة الوسط—وهي حالة تسمى أحيانًا السمنة ذات الوزن الطبيعي. تُظهر الدراسات باستمرار أن محيط الخصر ونسبة الخصر إلى الورك يرتبطان بقوة أكبر بالنتائج القلبية الأيضية الضارة من مؤشر كتلة الجسم. السبب تشريحي: الدهون الحشوية المحيطة بالكبد والبنكرياس والأمعاء نشطة أيضيًا، وتفرز السيتوكينات الالتهابية والأحماض الدهنية الحرة التي تضعف حساسية الأنسولين. أما الدهون تحت الجلد، فهي حميدة نسبيًا بالمقارنة.

هذا ما دفع الباحثين إلى البحث عن مؤشرات بديلة أفضل. يمكن لفحوصات DEXA والتصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب قياس تكوين الجسم بدقة، لكنها مكلفة وتتطلب معدات متخصصة ولا يمكن توسيع نطاقها بسهولة لعدد كبير من السكان. موازين المعاوقة الكهربائية الحيوية أرخص لكنها سيئة السمعة لكونها صعبة المراس، إذ تتغير مع الترطيب وموضع الأقطاب الكهربائية. أشرطة القياس لمحيط الخصر بسيطة لكنها عرضة لأخطاء المستخدم. ما يحتاجه المجال حقًا هو طريقة دقيقة وقابلة للتوسع وفي متناول مليارات الأشخاص حول العالم. قد تكون صور الهاتف الذكي، المدعومة برؤية الكمبيوتر الحديثة، أول مرشح يلبي هذه المعايير الثلاثة جميعها.

صور الهاتف الذكي: نافذة جديدة على تكوين الجسم

الفرضية الأساسية لمبادرة Google Research بسيطة بشكل خادع: يحمل جسم الإنسان إشارات مرئية وملحوظة خارجيًا حول الصحة القلبية الأيضية الداخلية. تتوزع الدهون في أنماط—حول البطن والوركين والفخذين—ليست عشوائية. تشكل كتلة العضلات الخطوط العريضة. وتعكس الوضعية كلاً من المحاذاة الهيكلية وتكوين الأنسجة الرخوة. كانت هذه الإشارات دائمًا قابلة للقراءة من قبل عين مدربة، لكنها خفية ويصعب قياسها بشريط قياس. ومع ذلك، يمكن للكاميرا التقاطها جميعًا في إطار واحد.

تتفوق نماذج رؤية الكمبيوتر الحديثة في هذا النوع من المهام بالضبط. عند إعطائها مجموعة بيانات كبيرة من الصور مقترنة بنتائج صحية معروفة، يمكن للشبكة العصبية أن تتعلم ربط سمات بصرية محددة بالحالات الفسيولوجية الأساسية. لا تحتاج الشبكة إلى مجموعة صريحة من القواعد حول أين ينتهي الخصر وأين يبدأ الورك. بدلاً من ذلك، تتعلم من الأنماط في ملايين الأمثلة. والنتيجة هي نموذج يمكنه استنتاج تكوين الجسم وعوامل الخطر القلبية الأيضية من الصور وحدها، دون أي اتصال جسدي، أو أجهزة متخصصة، أو تدريب سريري مطلوب من المشغّل.

الآثار العملية كبيرة. يمكن للشخص التقاط صورة فوتوغرافية قياسية بهاتف ذكي لجذعه، من الأمام أو الجانب، والحصول على تقدير لنسبة الدهون في الجسم، أو نسبة الخصر إلى الورك، أو حتى درجة مركبة للمخاطر القلبية الأيضية—كل ذلك دون دخول عيادة. هذا ليس خيالًا غير واقعي. التكنولوجيا الأساسية—الشبكات العصبية الالتفافية، وتقدير الوضعية، وتجزئة الصور—نضجت بشكل كبير خلال العقد الماضي. يمكن للنماذج الآن تحديد المعالم التشريحية، وتجزئة مناطق الجسم، وتقدير مواضع المفاصل بدقة ملحوظة. توسيع هذه القدرة لتقدير تكوين الأنسجة الرخوة هو خطوة تالية طبيعية.

من البكسلات إلى ملفات المخاطر: ما تتعلمه الآلة

من أكثر الجوانب إقناعًا في هذا النهج أن النموذج قد يحدد أنماطًا بصرية نادرًا ما يأخذها الأطباء البشريون في الاعتبار بشكل صريح. يركز مؤشر كتلة الجسم على الكتلة الإجمالية، لكن صورة الشخص الظلية تشفر معلومات أكثر بكثير. النسبة بين عرض الكتفين وعرض الخصر، وانحناء البطن، وسمك الرقبة، وتراكم الدهون حول الجانبين—كل هذه الأمور متاحة بصريًا في صورة فوتوغرافية واحدة. يمكن لنموذج التعلم الآلي أن يزن عشرات هذه الميزات في وقت واحد وينتج تقديرًا للمخاطر يدمج معلومات أكثر مما يمكن لأي عين بشرية تقييمه عمدًا.

هذا مشابه لكيفية تحويل التعلم العميق للتصوير الطبي في مجالات أخرى. اعتمد أخصائيو الأشعة ذات يوم على أعينهم المدربة لاكتشاف الأورام في الأشعة السينية والتصوير المقطعي المحوسب. اليوم، يمكن للخوارزميات اكتشاف أنماط دقيقة في تلك الصور نفسها يفوّتها أخصائيو الأشعة البشرية، وأحيانًا تحديد مراحل مبكرة من المرض قد لا يُلاحظ لولا ذلك. ينطبق المبدأ نفسه على صور الجسم. قد تكون السمات البصرية المنبئة بمقاومة الأنسولين أو مرض الكبد الدهني دون مستوى الوعي—ليست واضحة للطبيب، لكنها متسقة بما يكفي لنموذج مدرب جيدًا ليلتقطها.

الأهم من ذلك، يمكن للنموذج إخراج درجات مستمرة بدلاً من التصنيفات الفئوية. بدلاً من القول بأن الشخص يقع في فئة "زيادة الوزن" أو "السمنة" بناءً على حد تعسفي، قد ينتج النظام نسبة مئوية من المخاطر أو احتمالًا معايرًا للأحداث القلبية الأيضية المستقبلية. يتماشى هذا مع التحول الأوسع في الطب نحو التقسيم الطبقي للمخاطر الشخصي المستمر بدلاً من العتبات الثنائية. كما يسمح للنموذج بالضبط لمجموعات سكانية مختلفة. قد يؤدي نموذج المخاطر البصرية المدرب بشكل أساسي على صور من مجموعة عرقية واحدة أداءً سيئًا على مجموعة أخرى، ولكن مع بيانات تدريب كافية ومتنوعة، يمكن للنموذج تعلم أنماط خاصة بكل مجموعة سكانية.

لماذا هذا مهم للصحة العالمية

يكمن الوعد الأكبر لتقدير المخاطر القائم على الهاتف الذكي في سهولة الوصول إليه. يمتلك أكثر من ستة مليارات شخص حول العالم هواتف ذكية، ولا يزال العدد في ازدياد. يعيش العديد من هؤلاء الأشخاص في مناطق يكون فيها الوصول إلى أدوات التشخيص السريري محدودًا. تبلغ تكلفة جهاز التصوير بالرنين المغناطيسي ملايين الدولارات ويتطلب بنية تحتية وفنيين مدربين وإمدادًا ثابتًا بالطاقة. الهاتف الذكي رخيص ومنتشر في كل مكان ويُحمل في كل مكان. إذا أمكن تقدير المخاطر القلبية الأيضية من صورة فوتوغرافية بسيطة، فيمكن عندها إضفاء الطابع الديمقراطي على الفحص بطرق لم يكن من الممكن تصورها من قبل.

تخيل عامل صحة ريفي في بلد منخفض الدخل تدرب على اكتشاف سوء التغذية لكنه يفتقر إلى أي معدات تشخيصية. باستخدام أداة تقييم المخاطر القائمة على الهاتف الذكي، يمكن لهذا العامل فحص قرى بأكملها بحثًا عن المخاطر القلبية الأيضية في غضون ساعات. يمكن تجميع البيانات بشكل مجهول، مما يوفر لسلطات الصحة العامة رؤية غير مسبوقة للصحة الأيضية لسكانها. في البلدان ذات الدخل المرتفع، يمكن للتكنولوجيا نفسها تمكين المراقبة الذاتية المستمرة، مما يسمح للأفراد بتتبع التغيرات في ملف المخاطر الخاص بهم بمرور الوقت ورؤية آثار تدخلات نمط الحياة في الوقت الفعلي تقريبًا.

يمثل منشور مدونة Google Research خطوة مهمة في هذا الاتجاه. إنه يضع العمل ليس مجرد تمرين مثير للاهتمام في رؤية الكمبيوتر، ولكن كمساهمة جادة في الطب الوقائي. الرسالة الأساسية هي أن الأدوات اللازمة لتحويل الصحة العالمية ربما تكون موجودة بالفعل في جيوبنا. ما كان مفقودًا هو الرؤية الخوارزمية لإطلاق العنان لإمكاناتها التشخيصية.

الخصوصية والتحيز والاعتبارات الأخلاقية

لا يكتمل أي نقاش حول التعلم الآلي المتعلق بالصحة دون معالجة المخاطر الأخلاقية والمجتمعية. صور الهاتف الذكي لجسم الإنسان حساسة بطبيعتها. صور الجسم شخصية للغاية، والأداة التي تطلب من المستخدمين تصوير أنفسهم تثير حتمًا مخاوف تتعلق بالخصوصية. من يملك حق الوصول إلى تلك الصور؟ أين يتم تخزينها؟ هل يمكن حذفها؟ هل يمكن إعادة استخدامها للإعلان أو الاكتتاب في التأمين؟ هذه ليست أسئلة افتراضية؛ إنها نوع المخاوف التي يمكن أن تعرقل تقنية واعدة إذا لم يتم التعامل معها بعناية.

هناك أيضًا خطر التحيز الخوارزمي. نموذج مدرب على صور من فئة ديموغرافية معينة—على سبيل المثال، أجسام أمريكية شمالية ذات بشرة فاتحة في الغالب—قد يؤدي أداءً سيئًا على الأفراد ذوي البشرة الداكنة أو على أجسام ذات نسب متوسطية مختلفة. تشتهر أنظمة التعلم الآلي بوراثة التحيزات من بيانات التدريب الخاصة بها. إذا قلت أداة تقييم المخاطر القائمة على الهاتف الذكي بشكل منهجي من تقدير المخاطر لبعض الفئات السكانية، فقد تؤدي إلى تفاقم الفوارق الصحية الحالية بدلاً من تقليلها. لذلك يجب على الباحثين أن يكونوا دقيقين في جمع بيانات تدريب متنوعة وتقييم أداء النموذج عبر الفئات الفرعية الديموغرافية.

وهناك قلق آخر يتمثل في الإشراف الطبي والتنظيمي. إذا قدمت أداة تقديرات للمخاطر القلبية الأيضية، فهي في الواقع جهاز طبي، سواء تم وصفها على هذا النحو أم لا. طورت الهيئات التنظيمية في الولايات المتحدة والاتحاد الأوروبي وأماكن أخرى مسارات للبرمجيات كجهاز طبي، لكن هذه المسارات لا تزال قيد التطور. قد يتطلب تطبيق هاتف ذكي يعطي درجات المخاطر التحقق السريري والموافقة التنظيمية قبل تسويقه للمستهلكين. عملية الموافقة هذه بطيئة ومكلفة، لكنها ضرورية لحماية السلامة العامة.

من البحث إلى الواقع السريري

يجدر التذكير بأن منشور مدونة Google Research يصف بحثًا قيد التقدم، وليس منتجًا متاحًا اليوم. لا تزال هناك عقبات تقنية وعملية عديدة بين نموذج أولي واعد وأداة سريرية منشورة على نطاق واسع. يجب التحقق بدقة من دقة تقدير المخاطر القائم على الصور مقابل القياسات القلبية الأيضية الذهبية—فحوصات الدم، وفحوصات DEXA، والنتائج الصحية الطولية. يجب ضغط النماذج لتعمل بكفاءة على الجهاز نفسه، حتى لا يحتاج المستخدمون إلى تحميل صور حساسة إلى السحابة. ويجب تصميم تجربة المستخدم لتكون مضمونة، لأن جودة صورة الإدخال—الإضاءة، والزاوية، والمسافة، والملابس—ستؤثر مباشرة على جودة تقدير الإخراج.

لا شيء من هذه التحديات مستحيل التغلب عليه، لكنها تتطلب وقتًا وتمويلًا وتعاونًا متعدد التخصصات بين باحثي التعلم الآلي والأطباء وعلماء الأوبئة والمدافعين عن الخصوصية. ومع ذلك، فإن المسار واعد. النمط الأوسع في الطب لا لبس فيه: الذكاء الاصطناعي ينتقل من المختبر إلى السياقات السريرية والاستهلاكية اليومية بوتيرة متسارعة. تقدير المخاطر القلبية الأيضية عبر الهاتف الذكي يندرج تمامًا ضمن هذا الاتجاه.

ربما تكون أهم مساهمة لعمل Google Research مفهومية. من خلال تحويل الإطار من مؤشر كتلة الجسم إلى تقييم المخاطر القائم على الصور، يتحدى الباحثون المجال للتفكير بشكل أكثر طموحًا حول ما يشكل بيانات صحية. الصورة الفوتوغرافية هي شكل من أشكال العلامات الحيوية—سجل مضغوط للحالة الفسيولوجية يمكن تفكيكه بواسطة الخوارزمية الصحيحة. إذا تحققت هذه الرؤية، فإن الفعل المتواضع المتمثل في التقاط صورة شخصية يمكن أن يقدم يومًا ما رؤى لا يستطيع الملف الطبي تقديمها.

الخاتمة

خدم مؤشر كتلة الجسم الصحة العامة لأكثر من قرن، لكن أصبح من الصعب بشكل متزايد تجاهل قيوده في عصر الطب الشخصي والحوسبة بأسعار معقولة. تقدم مبادرة Google Research الموصوفة في "ما وراء مؤشر كتلة الجسم: تقدير المخاطر القلبية الأيضية باستخدام صور الهاتف الذكي" بديلاً قويًا. من خلال تطبيق رؤية الكمبيوتر الحديثة على الصور الفوتوغرافية العادية، من الممكن تجاوز الفئات الخام القائمة على الوزن والتحرك نحو تقديرات دقيقة ومستمرة للمخاطر القلبية الأيضية.

التكنولوجيا ليست جاهزة لوقت الذروة. يجب أن تتغلب أولاً على عقبات كبيرة تتعلق بالتحقق من الصحة، والخصوصية، والتحيز، والتنظيم. لكن الاتجاه واضح، والفوائد المحتملة هائلة. في عالم تظل فيه أمراض القلب والأوعية الدموية السبب الرئيسي للوفاة ويصيب داء السكري مئات الملايين من الناس، فإن أي أداة يمكنها جعل الفحص أسرع وأرخص وأكثر سهولة في الوصول تستحق اهتمامًا وثيقًا. قد لا تكون كاميرا الهاتف في كل جيب أول ما يتبادر إلى الذهن عندما نفكر في التشخيص الطبي. لكن إذا أثمر هذا البحث، فقد يصبح جهاز المراقبة الصحية الأكثر انتشارًا على الإطلاق.