LONDON (IT BOLTWISE) – Google Research arbeitet an einem kamerabasierten KI-System, das Körperfett aus Smartphone-Selfies abschätzen soll. Die Methode setzt auf eine Lernphase mit Referenzdaten aus DXA-Scans und ergänzt später Feinjustierungen mit echten Kamerabildern. Im Test erreicht das Modell höhere Genauigkeit als Bioimpedanzmessung (BIA) typischer Wearables – inklusive guter Schätzwerte für Fettverteilung. Gleichzeitig bleibt offen, wie Google diese Technologie als Produkt mit einer praxisnahen Datenschutz- und Akzeptanzstrategie umsetzen würde.
Das Gewicht auf der Waage sagt meist nur wenig darüber aus, wie sich Fett im Körper verteilt. Genau an dieser Stelle setzt ein neues Projekt von Google Research an: Mit dem kamerabasierten System namens PhotoScan sollen sich Werte zur Körperzusammensetzung aus einer Serie zweidimensionaler Bilder ableiten lassen. Statt auf Sensoren am Handgelenk oder auf komplexe Labor- beziehungsweise Bildgebungsverfahren zu warten, nutzt das System die Kameras moderner Smartphones und versucht, die daraus entstehenden Bildsignale in präzise Schätzgrößen für Körperfett zu übersetzen.
Der technische Kern ist dabei weniger „nur“ Computer Vision, sondern eine mehrstufige Trainings- und Validierungsstrategie. Für den Einstieg trainierte Google die KI mit Daten aus dual-energy X-ray absorptiometry (DXA), also DXA-Scans, die als Referenz für Körperfett gelten. Erfasst werden dabei nicht nur Gesamtfettwerte, sondern auch Verhältnisse, die für die Verteilung innerhalb des Körpers entscheidend sind: das Verhältnis zwischen Fett im Rumpf und Fett in Kernbereichen versus Bein-/Beckenregionen (A/G-Ratio) sowie das Verhältnis zwischen Fett in Organumgebung und subkutanem Fett (V/S-Ratio). Diese zusätzlichen Zielgrößen sind wichtig, weil viele Wearables vor allem Gesamtsignale liefern und die Verteilung nur unvollständig widerspiegeln.
Damit die KI nicht nur „irgendwie“ Muster aus Bildern findet, kombiniert das Team offenbar mehrere Datenquellen. Laut Beschreibung fließt neben DXA auch Körperdaten aus MRI-Messungen ein, bevor eine weitere Feinabstimmung erfolgt: Das Modell wird mit einem frischen Datensatz trainiert, der tatsächliche Fotos aus Smartphone-Kameras enthält. Genau diese Brücke ist entscheidend, denn der Sprung von medizinisch konsistenten Referenzscans hin zu variablen Alltagsbildern (Beleuchtung, Pose, Hautreflexionen, Bildrauschen) ist der typische Härtetest für jede bildbasierte Schätzung. Am Ende soll das Modell Körperfett „visuell“ bestimmen können und dabei die Genauigkeit von Messungen über Bioimpedanzanalyse (BIA) übertreffen, wie sie viele Wearables nutzen.
Besonders interessant ist die Aussage, dass PhotoScan auch bei der Schätzung der A/G- und V/S-Ratios hohe Präzision erreichen soll. Diese Verhältnisse zielen auf Fettverteilung ab, also genau jene Information, die für gesundheitliche Risiken häufig stärker diskutiert wird als der reine BMI-Wert. Bioimpedanzsensoren (BIA) können zwar aus elektrischen Leitfähigkeitssignalen grobe Ableitungen liefern, aber sie „sehen“ im eigentlichen Sinn nicht die anatomische Verteilung so, wie ein Modell, das aus Bilddaten lernt. Wenn eine kamerabasierte KI hier an höhere Genauigkeit herankommt, verschiebt sich der Aufwand vom Sensor-Setup hin zur Bildaufnahme – und damit in Richtung eines nutzerfreundlichen Workflows, der bei massentauglichen Geräten prinzipiell skalierbar wäre.
Google Research geht laut Bericht sogar einen Schritt weiter: Die Ergebnisse aus PhotoScan sollen sich nutzen lassen, um Bedingungen wie Insulinresistenz zu prognostizieren. Das ist inhaltlich konsistent, weil Fettverteilung und Stoffwechselparameter in der Forschung häufig zusammen betrachtet werden. Gleichzeitig ist das kein automatischer „Gesundheits-Check“, sondern eher eine datengetriebene Vorhersageaufgabe, bei der die Qualität der Eingabeschätzung (also wie gut Körperfett und Verteilungsrationen aus Fotos abgeleitet werden) direkt die Aussagekraft der nachgelagerten Prognose beeinflusst. Für den Nutzer bedeutet das: Der Mehrwert entsteht nicht nur aus kosmetischen Körperkennzahlen, sondern aus der Möglichkeit, Risiken früher zu erkennen – sofern die Vorhersagen robust sind und im Alltag zuverlässig funktionieren.
Trotzdem bleibt die praktische Hürde deutlich sichtbar. Selbst wenn die Technologie nicht-invasiv und potenziell bezahlbar ist, müssen Nutzer eine Reihe potenziell „unvorteilhafter“ Fotos bereitstellen. Das ist nicht nur eine Frage der Nutzerakzeptanz, sondern auch ein Datenschutz- und Vertrauensproblem: Wie werden die Bilder verarbeitet, wie lange werden sie gespeichert, und was passiert, wenn Nutzer das Ergebnis nicht teilen wollen? Der Bericht verweist zwar auf eine robuste Privacy-Policy, aber am Ende entscheidet die konkrete Produktgestaltung darüber, ob Menschen tatsächlich mitmachen. Zudem ist da noch das „After“-Thema: Selbst wenn Nutzer bessere Daten bekommen, müssen sie daraus ernste Ernährungs- und Lebensstiländerungen ableiten – eine Verhaltensänderung, die weder KI noch Sensorik allein garantieren.
Für die Markt- und Entwicklerperspektive ist spannend, dass Google derzeit offenbar keine konkreten Pläne nennt, PhotoScan als fertiges Produkt bereitzustellen. Dennoch passt die Richtung zu einem breiteren Trend in der digitalen Gesundheitswelt: weg von Einzelmessungen hin zu App-basierten, KI-gestützten Ableitungen, die sich über Standardhardware (Kameras, Rechenleistung im Gerät oder in der Cloud) bereitstellen lassen. Für Unternehmen und Entwickler heißt das: Die nächste Generation von Health-Features dürfte sich stärker auf verlässliche Datengeneratoren stützen – also darauf, wie gut sich medizinische oder labornahe Referenzgrößen aus Alltagssignalen approximieren lassen. Wenn das gelingt, könnten Bilddaten in Kombination mit KI-Training zu einem zentralen Baustein werden, ähnlich wie es bei anderen Sensor- und Modellansätzen bereits zu beobachten ist.
Ob PhotoScan in einem zukünftigen „Google Health“-Angebot landen wird, bleibt offen. Klar ist aber: Der Ansatz adressiert gleich mehrere bekannte Schwächen vorhandener Lösungen – mehr Detailtiefe als reine Wearable-Schätzer und weniger Hürde als DXA- oder MRI-Untersuchungen. Entscheidend wird jetzt, wie gut die Ergebnisse über verschiedene Körperformen, Lichtbedingungen und reale Aufnahmepraktiken hinweg stabil bleiben. Außerdem entscheidet sich der Nutzen daran, ob aus den geschätzten Kennzahlen später konkrete, verständliche Empfehlungen entstehen, die sich in Trainings- und Ernährungsroutinen integrieren lassen, statt nur neue Datenpunkte zu liefern.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Google Research: KI aus Selfies schätzt Körperfett genauer als Wearables" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Google Research: KI aus Selfies schätzt Körperfett genauer als Wearables" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Google Research: KI aus Selfies schätzt Körperfett genauer als Wearables« bei Google Deutschland suchen, bei Bing oder Google News!