利用AI測量身體組成–Spren

【本篇文章無任何業佩行為】

喜歡健身的人，多少都有定期測量身體組成的習慣。無論好的或壞的，看著自己各項數據的曲線，總可為過去幾個月的努力下點結論。

不過，操作這份報表的背後動機，有些人可能單純因為外貌使然，有些人卻是為了生存。

許多研究已經顯示，無論是在腫瘤學還是非腫瘤學的患者中，身體組成與存活結果有關。尤其在腫瘤學中，肌少症已經與多種惡性腫瘤的不良預後密切相關。[1-7]

肥胖也與慢性疾病有關，但若僅使用BMI有其侷限性，例如，一名健美選手可能體重破百，但卻充滿肌肉量。最近的證據顯示(8)，高脂肪重量(fat mass, FM)和去脂體重(fat-free mass, FFM)與死亡風險增加獨立相關。因此肌肉量與脂肪量同樣重要。身體組成的量測是治療上在預後的得力助手。

因此，無論是體適能還是醫療產業，身體組成測量一直是非常熱門的話題。

測量身體組成的方法眾多。圖片來源： 《內科學誌》生物阻抗分析於內科學之應用

但過去使用的黃金標準(例如，DEXA、MRI、CT…等)，一直都存在時間、人力、空間上的不方便性。也因此相關替代性的產品不斷推陳出新，總希望來分食這塊大餅。

時光飛逝，彷彿還是昨日各種研究還在讚嘆使用生物阻抗是如何取代黃金標準，讓民眾不必到醫院也可以測量身體組成；今天，我們已經可以只靠一隻智慧型手機的鏡頭，使用AI來計算你的體脂肪與肌肉量。

Spren是一款使用AI計算身體組成的APP

Spren是我近期接觸到的一款APP，正是使用AI和你的相機鏡頭來幫你量測身體組成的新穎產品。只需要兩張照片(正面、側面)就能提供你多項數據。

認識到Spren之後，我才驚覺原來AI的影響力也開始顛覆我的工作了。但由於整段過程精簡到太不可思議，因此我也開始找尋相關資料，想了解這類型產品的信效度有多高。

隨著找尋的過程，我發現原來AI早在幾年前就已經開始協助電腦斷層，幫忙進行判斷身體組成的工作了。也發現原來2020-21年左右，Amazon就曾推出類似的產品–HALO。

(可參考Amazon的產品文章，內有這項產品的原理說明)

基本上，這類視覺識別法(Visual body composition assessment methods)的原理，就是將影像去比對龐大的資料庫，再透過計算預測。這跟過去測量身體組成使用直接測量法(DEXA、生物電阻…等)有很大不同。

在HALO推出之後，也有關於他的信效度研究(9)。基本上，結論就是可以安心使用。不過也有研究(10)發現，估計值會根據性別和種族有所變化。

可惜Amazon似乎難以在這項專案上損益兩平，已於今年將其部門關閉了。(相關新聞: https://www.ithome.com.tw/news/156605)

但Spren的功能就跟HALO的身體組成量測功能一樣。使用者須輸入自己的身高與體重，提供push up的最大次數、5公里的平均速度讓機器參考，再透過架設攝影機，拍攝正面與側面照，即可得到最後結果。

進入Spren主畫面的功能與原理介紹，其中包含隱私權的部分。

APP會自動幫你開啟手機前鏡頭。手機高度須放置在大腿一半的高度，距離1-2公尺，開啟擴音聽從指示。

拍照姿勢正面照為雙腳併攏，雙手打開45度。直到AI將關節點都抓出來，呈現綠燈為止。拍照時不要穿著寬鬆衣物。

拍攝完成之後，交由機器計算約一分鐘，就可以看到各項數據，並可以印出PDF報表。

Spren的出現，對教練來說不一定要照單全收，但至少我們又多了一個選擇工具，而且他目前是免費的，未來是否需要付費還不清楚。

想想你有多少次問你的選手(特別是學生運動員)：「你目前的體脂率是多少」，他們告訴你他不知道？這時候你可以拿出Spren直接幫他測量，而且還能順便儲存當下的照片(APP會自動在臉部馬賽克)，方便之後製作before/after的對照圖。

不過值得注意的是，如果需要使用Spren APP，需先到官網註冊填寫問卷，他們會再寄送通行碼(access code)至你的信箱。取得通行碼之後才有辦法使用APP。

我個人的經驗，從寄出要求到收到通行碼大約需要一天的時間。不過因為當時不知道何時會收到回信，所以有先使用了別人提供的通行碼，一樣可以使用。如果想試試看這款APP的讀者也可使用我得到的通行碼–partnerfree。

看來未來AI這股洪流，體能教練也將躬逢其盛。不過我不認為AI的出現能夠取代教練的工作；相反地，我認為會有越來越多高效率的產品出現，能不能妥善運用這些工具以及正確看待它帶來的數據，則有賴每位教練的智慧。

REFERENCE

1. Brown, J. C., Cespedes Feliciano, E. M., & Caan, B. J. (2018). The evolution of body composition in oncology-epidemiology, clinical trials, and the future of patient care: facts and numbers. Journal of cachexia, sarcopenia and muscle, 9(7), 1200–1208. https://doi.org/10.1002/jcsm.12379

2. 2. Kamarajah, S. K., Bundred, J., & Tan, B. H. L. (2019). Body composition assessment and sarcopenia in patients with gastric cancer: a systematic review and meta-analysis. Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association, 22(1), 10–22. https://doi.org/10.1007/s10120-018-0882-2

3. 3. Baracos, V. E., Reiman, T., Mourtzakis, M., Gioulbasanis, I., & Antoun, S. (2010). Body composition in patients with non-small cell lung cancer: a contemporary view of cancer cachexia with the use of computed tomography image analysis. The American journal of clinical nutrition, 91(4), 1133S–1137S. https://doi.org/10.3945/ajcn.2010.28608C

4. 4. Hopkins, J. J., Skubleny, D., Bigam, D. L., Baracos, V. E., Eurich, D. T., & Sawyer, M. B. (2018). Barriers to the Interpretation of Body Composition in Colorectal Cancer: A Review of the Methodological Inconsistency and Complexity of the CT-Defined Body Habitus. Annals of surgical oncology, 25(5), 1381–1394. https://doi.org/10.1245/s10434-018-6395-8

5. 5. Trestini, I., Carbognin, L., Monteverdi, S., Zanelli, S., De Toma, A., Bonaiuto, C., Nortilli, R., Fiorio, E., Pilotto, S., Di Maio, M., Gasbarrini, A., Scambia, G., Tortora, G., & Bria, E. (2018). Clinical implication of changes in body composition and weight in patients with early-stage and metastatic breast cancer. Critical reviews in oncology/hematology, 129, 54–66. https://doi.org/10.1016/j.critrevonc.2018.06.011

6. 6. Peng, Y. C., Wu, C. H., Tien, Y. W., Lu, T. P., Wang, Y. H., & Chen, B. B. (2021). Preoperative sarcopenia is associated with poor overall survival in pancreatic cancer patients following pancreaticoduodenectomy. European radiology, 31(4), 2472–2481. https://doi.org/10.1007/s00330-020-07294-7

7. 7. Lin, T. Y., Peng, C. H., Hung, S. C., & Tarng, D. C. (2018). Body composition is associated with clinical outcomes in patients with non-dialysis-dependent chronic kidney disease. Kidney international, 93(3), 733–740. https://doi.org/10.1016/j.kint.2017.08.025

8. 8. Abramowitz, M. K., Hall, C. B., Amodu, A., Sharma, D., Androga, L., & Hawkins, M. (2018). Muscle mass, BMI, and mortality among adults in the United States: A population-based cohort study. PloS one, 13(4), e0194697. https://doi.org/10.1371/journal.pone.0194697

9. 9. Graybeal, A. J., Brandner, C. F., & Tinsley, G. M. (2023). Validity and reliability of a mobile digital imaging analysis trained by a four-compartment model. Journal of human nutrition and dietetics : the official journal of the British Dietetic Association, 36(3), 905–911. https://doi.org/10.1111/jhn.13113

10. 10. Graybeal, A. J., Brandner, C. F., & Tinsley, G. M. (2022). Visual body composition assessment methods: A 4-compartment model comparison of smartphone-based artificial intelligence for body composition estimation in healthy adults. Clinical nutrition (Edinburgh, Scotland), 41(11), 2464–2472. https://doi.org/10.1016/j.clnu.2022.09.014