自己是个胖子的事实再也藏不住了？AI可从太空估算地区肥胖率！

药明康德AI/报道

从太空中就能计算出你所在地区的肥胖率？这听上去是个天方夜谭。然而就在近日，一群来自美国的研究人员便利用人工智能实现了这种操作：通过分析某一地区的卫星图像，人工智能就可以准确对该地区的肥胖率进行估计，即使图像中并没有出现任何一个肥胖人士。这一研究发表在了《JAMA Network Open》上。

本文来源：药明康德AI

通常了解一个地区内的肥胖率可以有助于采取针对性的干预措施，但是收集这类统计数据往往需要耗费大量人力物力，并需要进行大量问卷调查或实际考察工作，需要的成本也很高。因此，来自美国华盛顿大学的研究人员提出了一种全新的统计方法，通过从高分辨率的卫星图像中提取该地区的物理环境特征，来全面评估成人肥胖率与建筑环境的关联。

▲图中最左边一列是原始的卫星图像，而中间和右边两列则是神经网络根据图像输出的不同环境特征标记，包括建筑物（橙色）、植被（绿色）、水（蓝色）和道路（灰色）等（图片来源：《JAMA Network Open》）

研究人员使用了大约120万幅图像，对一个卷积神经网络（CNN）进行了预先训练，使其能够分析整个城市的建筑环境，识别出图像中的道路、建筑物、树木、水和土地等物理环境特征。然后，研究人员使用了大约15万幅谷歌地图的高分辨率卫星图像，并将它们输入到这个神经网络中。这些图像涵盖了六个不同城市的1695个社区，这些城市包括贝尔维尤、西雅图、塔科马港、洛杉矶、孟菲斯和圣安东尼奥。

此外，研究人员利用一个名为500 Cities的项目中给出的肥胖率估计值，创建了一个模型，评估上文中提到的物理环境特征，外加城市中分布的加油站、商场、公园和宠物商店等信息，与该地区肥胖率之间的关联性。研究结果显示，该模型能够使用地区的物理环境特征来对将近三分之二的地区进行肥胖率的准确估计。其中不同城市的准确率略有不同，孟菲斯市的准确率最高，达到73.3%。

▲上图为西雅图和洛杉矶的不同地区肥胖率分布，其中右图为实际肥胖率分布，左图为AI系统估算的肥胖率分布，对比之下可以看出，AI系统已经可以实现较高的准确率（图片来源：《JAMA Network Open》）

尽管这种方法仍旧不尽完美，但是研究人员相信，他们的开发的AI系统仍然可以提供一个可扩展的简单工具，从而协助美国的肥胖风险研究。他们认为，诸如收入之类的社会经济指标可能是研究中所发现的这种关联性背后的一个重要因素。

这项研究广泛地证明了建筑环境对肥胖的影响，其中有一些影响是我们已知的：开放且绿化程度较高的空间能够促进身体活动，通常对公众健康有益；而那些密集的社区被道路包围，缺乏绿化，因此可能会影响公众健康水平。除了这些已知影响外，机器学习展现出的巨大力量，能够增强人们现有的公共健康知识，并且可以让研究人员采用全新的途径，来进行相应的研究。

参考资料：

[1] Scientists Have Trained an AI to Spot Obesity From Space. Retrieved September 4, 2018, from https://www.sciencealert.com/scientists-have-used-ai-to-identify-obesity-from-space-deep-learning-neural-network

[2] Maharana, et al., (2018). Use of Deep Learning to Examine the Association of the Built Environment With Prevalence of Neighborhood Adult Obesity. JAMA Network Open, doi: 10.1001/jamanetworkopen.2018.1535 

[3] Artificial intelligence spots obesity from space. Retrieved September 4, 2018, from http://www.sciencemag.org/news/2018/08/artificial-intelligence-spots-obesity-space

本文来自药明康德微信团队，欢迎转发到朋友圈，谢绝转载到其它平台。如有开设白名单需求，请在文章底部留言；如有其它合作需求，请联系[e-mail]。

更多精彩文章：