Google ha presentado PhotoScan, un sistema de inteligencia artificial capaz de predecir la resistencia a la insulina analizando fotografías convencionales tomadas con el móvil. La herramienta, desarrollada por los científicos Cassie Zhou y Ahmed Metwally del equipo de Google Research, fue publicada el 17 de agosto de 2026 y demuestra que es posible estimar la composición corporal tridimensional de una persona a partir de imágenes 2D estándar, con una precisión cercana a la de las pruebas clínicas de referencia.
La resistencia a la insulina es uno de los principales factores silenciosos detrás de enfermedades metabólicas como la diabetes tipo 2. Puede estar presente durante años antes de que las analíticas convencionales detecten alteraciones en la glucosa en ayunas, durante los cuales ya deteriora la salud vascular, hepática y el metabolismo energético. El índice HOMA-IR, que modela la relación entre la producción hepática de glucosa y la secreción de insulina, se considera indicativo de resistencia cuando supera el valor de 2,9.
Hasta ahora, el método de referencia para medir la composición corporal es la absorciometría de rayos X de doble energía (DXA), una técnica precisa pero costosa, limitada a infraestructuras clínicas especializadas y que expone al paciente a dosis bajas de radiación. En el otro extremo se encuentran los sensores de impedancia bioeléctrica (BIA) integrados en relojes inteligentes, más accesibles pero restringidos a estimar el porcentaje de grasa total.
PhotoScan ocupa un punto intermedio prometedor. Para entrenarlo, el equipo de Google preentrenó una red neuronal profunda con más de 35.000 registros del Biobanco del Reino Unido y la ajustó posteriormente con una cohorte diversa de 677 adultos. El modelo es capaz de extraer información geométrica del cuerpo a partir de fotos y predecir métricas clave como el porcentaje de grasa corporal (BF%), la relación entre grasa androide y ginoide (A/G, que distingue la adiposidad tipo "manzana" de la tipo "pera") y la proporción entre grasa visceral y subcutánea (V/S). Estas dos últimas variables tienen una correlación especialmente fuerte con la resistencia a la insulina.
Los resultados publicados muestran que PhotoScan supera a los sensores BIA en la estimación del porcentaje de grasa corporal. El error absoluto medio (MAE) de PhotoScan fue de 2,15 en la cohorte PhotoBIA y de 2,13 en la cohorte independiente MetabolicMosaic, frente a un MAE de 2,91 para los sensores BIA. En cuanto a las proporciones A/G y V/S, que BIA no puede medir, el modelo obtuvo errores de 0,107 y 0,094 respectivamente en PhotoBIA, y de 0,085 en ambos casos en MetabolicMosaic.
Para evaluar su capacidad predictiva, los investigadores compararon cinco conjuntos de datos mediante un clasificador de tipo gradient boosting: datos demográficos básicos (edad, sexo, IMC), medidas antropométricas con cinta métrica, sensores BIA de smartwatch, las métricas de PhotoScan y, como referencia, escaneos DXA. El modelo demográfico basal obtuvo un AUROC de 0,692 para identificar resistencia a la insulina. Al añadir las métricas de PhotoScan, la precisión ascendió a 0,760, con un índice de reclasificación neta (NRI) de 0,593. El DXA alcanzó un AUROC de 0,773 y un NRI de 0,748, apenas marginalmente superior. En cambio, añadir BIA a los datos demográficos no produjo mejoras significativas, ya que solo aporta el porcentaje de grasa, una variable menos relevante que las proporciones A/G y V/S.
Los autores subrayan que PhotoScan no pretende reemplazar al DXA en entornos clínicos, sino ofrecer una alternativa escalable y no invasiva para cribado poblacional e investigación cardiometabólica. La validación se realizó en un entorno de investigación clínica, por lo que su rendimiento en condiciones reales y no controladas todavía está por demostrar. Tampoco se han publicado detalles sobre privacidad, sesgos demográficos del modelo o posibles aplicaciones comerciales, aunque Google ya explora desde hace años el uso del smartphone como herramienta pasiva de monitorización de la salud, incluyendo la medición continua del ritmo cardíaco.
De confirmarse en estudios más amplios, PhotoScan podría convertirse en una herramienta de detección precoz de riesgo metabólico al alcance de cualquier usuario con un teléfono móvil, con el potencial de identificar años antes a personas en riesgo de desarrollar diabetes tipo 2 y otras enfermedades asociadas a la resistencia a la insulina.