Über den BMI hinausblicken: Schätzung des kardiometabolischen Risikos mittels Smartphone-Bildern

Über den BMI hinaus: Kardiometabolisches Risiko mithilfe von Smartphone-Aufnahmen schätzen

Seit Jahrzehnten ist der Body-Mass-Index (BMI) der Standard-Kurzbegriff für metabolische Gesundheit. Kliniker berechnen ihn in Sekunden, Versicherer nutzen ihn zur Anpassung von Prämien, und öffentliche Gesundheitsbehörden stützen sich auf ihn, um Adipositas-Trends zu kartieren. Doch der BMI war schon immer ein stumpfes Instrument. Er kann Muskeln nicht von Fett unterscheiden, sagt nichts darüber aus, wo das Fett verteilt ist, und führt bei Menschen, die metabolisch gesund oder ungesund sind, häufig zu Fehlklassifizierungen. Die Suche nach einem besseren, leichter zugänglichen Stellvertreter läuft seit Jahren. Ein besonders vielversprechender Kandidat ist nun an der Schnittstelle von maschinellem Lernen und Alltagstechnologie entstanden: die Smartphone-Kamera. Im August 2026 veröffentlichte Google Research einen Blogbeitrag mit dem Titel „Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery", in dem beschrieben wird, wie gewöhnliche Fotografien, die mit einem Mobilgerät aufgenommen wurden, potenziell ein weitaus reichhaltigeres Signal über das kardiometabolische Risiko liefern könnten als eine einfache Berechnung aus Größe und Gewicht.

Es geht nicht nur darum, eine alte Kennzahl zu verfeinern, sondern neu zu überdenken, welche Art von Daten wir mit nichts weiter als einer Kamera aus dem menschlichen Körper gewinnen können. Dieser Artikel untersucht, warum der BMI nicht ausreicht, wie Smartphone-Aufnahmen die Lücke schließen könnten und was geschehen muss, bevor eine solche Technologie vom Forschungsblog in die Klinik gelangt.

Warum der BMI als Gesundheitsmarker unzureichend ist

Der BMI wurde im neunzehnten Jahrhundert von dem belgischen Statistiker Adolphe Quetelet eingeführt, der daran interessiert war, die „normale" menschliche Statur über verschiedene Bevölkerungsgruppen hinweg zu definieren. Die Formel – Gewicht in Kilogramm geteilt durch Körpergröße in Metern zum Quadrat – war nie dazu gedacht, Krankheiten zu diagnostizieren. Sie war ein statistisches Instrument auf Bevölkerungsebene, keine personalisierte medizinische Bewertung. Diese Unterscheidung ist heute wichtiger denn je.

Zwei Menschen mit identischem BMI können völlig unterschiedliche Gesundheitsprofile aufweisen. Ein Rugbyspieler und ein sitzender Büroangestellter könnten dieselbe Größe und dasselbe Gewicht haben, doch Ersterer trägt erhebliche Muskelmasse, während Letzterer überschüssiges viszerales Fett mit sich herumträgt. Ihr Risiko für Typ-2-Diabetes, Bluthochdruck und Herz-Kreislauf-Erkrankungen weicht stark voneinander ab, doch der BMI allein kann diesen Unterschied nicht erfassen. Ebenso können Menschen mit „normalem" BMI dennoch ein metabolisches Syndrom aufweisen, wenn sie Fett zentral am Körper tragen – ein Zustand, der manchmal als Normalgewichts-Adipositas bezeichnet wird. Studien zeigen durchgängig, dass Taillenumfang und Taille-Hüft-Verhältnis stärker mit ungünstigen kardiometabolischen Folgen korrelieren als der BMI. Der Grund ist anatomisch: Viszerales Fett, das Leber, Bauchspeicheldrüse und Darm umgibt, ist metabolisch aktiv und schüttet entzündliche Zytokine und freie Fettsäuren aus, die die Insulinsensitivität beeinträchtigen. Subkutanes Fett ist dagegen vergleichsweise harmlos.

Dies hat Forscher dazu veranlasst, nach besseren Stellvertretern zu suchen. DEXA-Scans, MRT und CT-Bildgebung können die Körperzusammensetzung präzise messen, sind jedoch teuer, erfordern spezielle Ausrüstung und lassen sich nicht ohne Weiteres auf große Bevölkerungsgruppen ausweiten. Waagen mit bioelektrischer Impedanzanalyse sind billiger, aber bekanntermaßen unzuverlässig, da sie von Hydration und Elektrodenplatzierung abhängen. Maßbänder für den Taillenumfang sind einfach, aber fehleranfällig bei der Anwendung. Was das Feld wirklich braucht, ist eine Methode, die genau, skalierbar und für Milliarden von Menschen weltweit zugänglich ist. Smartphone-Aufnahmen, unterstützt durch moderne Computer Vision, könnten der erste Kandidat sein, der alle drei Kriterien erfüllt.

Smartphone-Aufnahmen: ein neues Fenster zur Körperzusammensetzung

Die Kernannahme der Google-Research-Initiative ist trügerisch einfach: Der menschliche Körper trägt sichtbare, äußerlich beobachtbare Hinweise auf die innere kardiometabolische Gesundheit. Fett verteilt sich in Mustern – um den Bauch, die Hüften, die Oberschenkel – die nicht zufällig sind. Muskelmasse formt Konturen. Die Haltung spiegelt sowohl die Skelettausrichtung als auch die Zusammensetzung des Weichgewebes wider. Diese Hinweise waren für ein geschultes Auge schon immer lesbar, aber sie sind subtil und mit einem Maßband schwer zu quantifizieren. Eine Kamera kann sie jedoch alle in einem einzigen Bild festhalten.

Moderne Computer-Vision-Modelle zeichnen sich genau bei dieser Art von Aufgabe aus. Mit einem großen Datensatz von Bildern, die mit bekannten Gesundheitsergebnissen verknüpft sind, kann ein neuronales Netz lernen, bestimmte visuelle Merkmale mit zugrunde liegenden physiologischen Zuständen zu assoziieren. Das Netz benötigt keine expliziten Regeln darüber, wo die Taille endet und die Hüfte beginnt. Stattdessen lernt es aus Mustern in Millionen von Beispielen. Das Ergebnis ist ein Modell, das Körperzusammensetzung und kardiometabolische Risikofaktoren allein aus Bildern ableiten kann – ohne Körperkontakt, ohne spezielle Hardware und ohne dass der Anwender eine klinische Ausbildung benötigt.

Die praktischen Auswirkungen sind erheblich. Eine Person könnte ein normales Smartphone-Foto ihres Rumpfes von vorne oder von der Seite aufnehmen und eine Schätzung des Körperfettanteils, des Taille-Hüft-Verhältnisses oder sogar eines zusammengesetzten kardiometabolischen Risikowerts erhalten – ganz ohne einen Klinikbesuch. Dies ist keine unrealistische Fantasie. Die zugrunde liegende Technologie – Convolutional Neural Networks, Posenschätzung und Bildsegmentierung – ist in den letzten zehn Jahren dramatisch ausgereift. Modelle können heute anatomische Landmarken identifizieren, Körperregionen segmentieren und Gelenkpositionen mit bemerkenswerter Genauigkeit schätzen. Diese Fähigkeit auf die Schätzung der Weichgewebeszusammensetzung auszuweiten, ist ein natürlicher nächster Schritt.

Von Pixeln zu Risikoprofilen: Was die Maschine lernt

Einer der überzeugendsten Aspekte dieses Ansatzes ist, dass das Modell visuelle Muster erkennen könnte, die menschliche Kliniker selten explizit berücksichtigen. Der BMI konzentriert sich auf die Gesamtmasse, aber die Silhouette einer Person enthält weitaus mehr Informationen. Das Verhältnis zwischen Schulterbreite und Taillenbreite, die Krümmung des Bauches, die Dicke des Halses, die Ansammlung von Fett an den Flanken – all das ist in einem einzigen Foto visuell verfügbar. Ein maschinelles Lernmodell kann Dutzende solcher Merkmale gleichzeitig gewichten und eine Risikoschätzung erzeugen, die mehr Informationen integriert, als ein menschliches Auge bewusst auswerten könnte.

Dies ist vergleichbar mit der Art, wie Deep Learning die medizinische Bildgebung in anderen Bereichen verändert hat. Radiologen verließen sich einst auf ihre geschulten Augen, um Tumore in Röntgenaufnahmen und CT-Scans zu entdecken. Heute können Algorithmen in denselben Bildern subtile Muster erkennen, die menschliche Radiologen übersehen, und manchmal Frühstadien von Krankheiten markieren, die andernfalls unbemerkt blieben. Dasselbe Prinzip gilt für Körperbilder. Die visuellen Merkmale, die auf Insulinresistenz oder Fettlebererkrankung hindeuten, mögen unterbewusst sein – für einen Arzt nicht offensichtlich, aber konsistent genug, damit ein gut trainiertes Modell sie aufgreifen kann.

Wichtig ist, dass das Modell kontinuierliche Werte statt kategorialer Bezeichnungen ausgeben kann. Anstatt zu sagen, dass eine Person aufgrund eines willkürlichen Grenzwerts „übergewichtig" oder „adipös" ist, könnte das System ein Risikoperzentil oder eine kalibrierte Wahrscheinlichkeit künftiger kardiometabolischer Ereignisse liefern. Dies steht im Einklang mit der breiteren Entwicklung in der Medizin hin zu personalisierter, kontinuierlicher Risikostratifizierung anstelle binärer Schwellenwerte. Es erlaubt dem Modell auch, auf verschiedene Bevölkerungsgruppen abgestimmt zu werden. Ein visuelles Risikomodell, das hauptsächlich mit Bildern einer ethnischen Gruppe trainiert wurde, könnte bei einer anderen schlecht abschneiden. Mit ausreichenden und vielfältigen Trainingsdaten kann das Modell jedoch bevölkerungsspezifische Muster lernen.

Warum das für die globale Gesundheit wichtig ist

Das größte Versprechen der smartphonebasierten Risikoschätzung liegt in ihrer Zugänglichkeit. Mehr als sechs Milliarden Menschen weltweit besitzen ein Smartphone, und die Zahl wächst weiter. Viele dieser Menschen leben in Regionen, in denen der Zugang zu klinischen Diagnoseinstrumenten begrenzt ist. Ein MRT-Gerät kostet Millionen von Dollar und erfordert Infrastruktur, geschultes Personal und eine stabile Stromversorgung. Ein Smartphone ist billig, allgegenwärtig und wird überallhin mitgenommen. Wenn kardiometabolisches Risiko aus einem einfachen Foto geschätzt werden kann, könnte das Screening in einer Weise demokratisiert werden, die zuvor unvorstellbar war.

Man stelle sich einen ländlichen Gesundheitshelfer in einem Land mit niedrigem Einkommen vor, der darin geschult wurde, Unterernährung zu erkennen, dem aber jegliche Diagnoseausrüstung fehlt. Mit einem smartphonebasierten Risikobewertungsinstrument könnte dieser Helfer innerhalb von Stunden ganze Dörfer auf kardiometabolisches Risiko untersuchen. Die Daten könnten anonymisiert aggregiert werden und den öffentlichen Gesundheitsbehörden eine beispiellose Sichtbarkeit der metabolischen Gesundheit ihrer Bevölkerungen verschaffen. In Ländern mit hohem Einkommen könnte dieselbe Technologie eine kontinuierliche Selbstüberwachung ermöglichen, sodass Einzelpersonen Veränderungen ihres Risikoprofils im Laufe der Zeit verfolgen und die Auswirkungen von Änderungen des Lebensstils nahezu in Echtzeit beobachten können.

Der Blogbeitrag von Google Research stellt einen wichtigen Schritt in diese Richtung dar. Er positioniert die Arbeit nicht bloß als interessante Computer-Vision-Übung, sondern als ernsthaften Beitrag zur Präventivmedizin. Die zugrunde liegende Botschaft lautet, dass die Werkzeuge zur Transformation der globalen Gesundheit möglicherweise bereits in unseren Taschen stecken. Was gefehlt hat, ist die algorithmische Erkenntnis, um ihr diagnostisches Potenzial zu erschließen.

Datenschutz, Verzerrungen und ethische Erwägungen

Keine Diskussion über gesundheitsbezogenes maschinelles Lernen ist vollständig, ohne die ethischen und gesellschaftlichen Risiken zu behandeln. Smartphone-Aufnahmen des menschlichen Körpers sind von Natur aus sensibel. Körperbilder sind zutiefst persönlich, und ein Instrument, das die Nutzer auffordert, sich selbst zu fotografieren, wirft unweigerlich Datenschutzfragen auf. Wer hat Zugang zu diesen Bildern? Wo werden sie gespeichert? Können sie gelöscht werden? Können sie anderweitig für Werbung oder Versicherungsunterzeichnung verwendet werden? Das sind keine hypothetischen Fragen; es sind die Art von Bedenken, die eine vielversprechende Technologie zum Scheitern bringen können, wenn sie nicht sorgfältig behandelt werden.

Es gibt auch das Risiko algorithmischer Verzerrung. Ein Modell, das mit Bildern einer bestimmten Bevölkerungsgruppe trainiert wurde – sagen wir überwiegend hellhäutigen, nordamerikanischen Körpern – könnte bei dunkelhäutigen Personen oder bei Körpern mit anderen durchschnittlichen Proportionen schlecht abschneiden. Maschinelle Lernsysteme sind dafür berüchtigt, die Verzerrungen ihrer Trainingsdaten zu übernehmen. Wenn ein smartphonebasiertes Risikobewertungsinstrument das Risiko für bestimmte Bevölkerungsgruppen systematisch unterschätzt, könnte es bestehende gesundheitliche Ungleichheiten verschärfen statt sie zu verringern. Forscher müssen daher bei der Sammlung vielfältiger Trainingsdaten und bei der Bewertung der Modellleistung über demografische Untergruppen hinweg akribisch vorgehen.

Ein weiteres Anliegen ist die medizinische und regulatorische Aufsicht. Wenn ein Instrument Schätzungen des kardiometabolischen Risikos liefert, ist es de facto ein Medizinprodukt, unabhängig davon, ob es als solches gekennzeichnet ist. Die Regulierungsbehörden in den Vereinigten Staaten, der Europäischen Union und anderswo haben Wege für Software als Medizinprodukt entwickelt, aber diese Wege befinden sich noch in der Entwicklung. Eine Smartphone-App, die Risikowerte liefert, könnte eine klinische Validierung und eine Zulassung durch die Aufsichtsbehörden erfordern, bevor sie an Verbraucher vermarktet werden darf. Dieses Zulassungsverfahren ist langsam und kostspielig, aber für den Schutz der öffentlichen Sicherheit unerlässlich.

Von der Forschung zur klinischen Realität

Es ist daran zu erinnern, dass der Blogbeitrag von Google Research laufende Forschung beschreibt, kein Produkt, das heute erhältlich ist. Zwischen einem vielversprechenden Prototypen und einem breit eingesetzten klinischen Instrument liegen noch viele technische und praktische Hürden. Die Genauigkeit der bildbasierten Risikoschätzung muss rigoros gegen Goldstandard-Messungen des kardiometabolischen Zustands validiert werden – Blutuntersuchungen, DEXA-Scans und longitudinale Gesundheitsergebnisse. Die Modelle müssen komprimiert werden, um effizient auf dem Gerät zu laufen, damit Nutzer keine sensiblen Bilder in die Cloud hochladen müssen. Und die Benutzererfahrung muss narrensicher gestaltet sein, denn die Qualität des Eingabebildes – Beleuchtung, Winkel, Abstand, Kleidung – wirkt sich direkt auf die Qualität der Ausgabeschätzung aus.

Keine dieser Herausforderungen ist unüberwindbar, aber sie erfordern Zeit, Finanzierung und interdisziplinäre Zusammenarbeit zwischen Forschern im maschinellen Lernen, Ärzten, Epidemiologen und Datenschutzbefürwortern. Die Entwicklung ist dennoch vielversprechend. Das übergreifende Muster in der Medizin ist unverkennbar: Künstliche Intelligenz bewegt sich in immer schnellerem Tempo aus dem Labor in alltägliche klinische und verbrauchernahe Kontexte. Die kardiometabolische Risikoschätzung per Smartphone fügt sich nahtlos in diesen Trend ein.

Der vielleicht wichtigste Beitrag der Google-Research-Arbeit ist konzeptioneller Natur. Indem sie den Rahmen vom BMI hin zur bildbasierten Risikobewertung verschieben, fordern die Forscher das Feld heraus, ambitionierter darüber nachzudenken, was Gesundheitsdaten ausmacht. Ein Foto ist eine Form von Vitaldaten – eine komprimierte Aufzeichnung des physiologischen Zustands, die mit dem richtigen Algorithmus entschlüsselt werden kann. Wenn sich diese Vision verwirklicht, könnte der bescheidene Akt eines Selfies eines Tages Erkenntnisse liefern, die eine Krankenakte nicht enthält.

Fazit

Der BMI hat der öffentlichen Gesundheit über ein Jahrhundert lang gedient, aber seine Grenzen sind im Zeitalter der personalisierten Medizin und der erschwinglichen Datenverarbeitung immer schwerer zu ignorieren. Die Google-Research-Initiative, die in „Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery" beschrieben wird, bietet eine leistungsfähige Alternative. Durch die Anwendung moderner Computer Vision auf gewöhnliche Fotografien ist es möglich, sich von groben gewichtsbasierten Kategorien zu lösen und hin zu nuancierten, kontinuierlichen Schätzungen des kardiometabolischen Risikos zu gelangen.

Die Technologie ist noch nicht bereit für die große Bühne. Sie muss noch erhebliche Hindernisse in Bezug auf Validierung, Datenschutz, Verzerrung und Regulierung überwinden. Aber die Richtung ist klar, und der potenzielle Nutzen ist enorm. In einer Welt, in der Herz-Kreislauf-Erkrankungen weiterhin die häufigste Todesursache sind und Diabetes Hunderte Millionen Menschen betrifft, verdient jedes Instrument, das das Screening schneller, billiger und zugänglicher machen kann, große Aufmerksamkeit. Eine Kamerahandy in jeder Tasche ist vielleicht nicht das Erste, woran wir denken, wenn es um medizinische Diagnostik geht. Aber wenn diese Forschung Früchte trägt, könnte es das am weitesten verbreitete Gesundheitsüberwachungsgerät werden, das je geschaffen wurde.