Beobachtetes Signal · 20. Aug. 2026 · Technical Release · Quelle: t3n · Relevanz: 4/5 · Sentiment: Neutral
Google Photoscan AI schätzt Körperfett präzise per Smartphone-Foto
Google Research hat Photoscan AI vorgestellt, ein neues Verfahren zur Schätzung der Körperzusammensetzung anhand einfacher 2D-Smartphone-Fotos. Das KI-Modell wurde auf Basis klinischer DXA-Röntgendaten sowie MRT-Scans trainiert und anschließend mit realen Smartphone-Bildern feinabgestimmt. Laut Google Research erzielt Photoscan AI eine höhere Genauigkeit als die bioelektrische Impedanzanalyse (BIA) in vielen Wearables und nähert sich der Präzision klinischer DXA-Untersuchungen an. Das Forschungsteam untersuchte zudem, inwiefern die Ergebnisse von Photoscan zur Vorhersage von Insulinresistenz und kardiometabolischen Risiken beitragen können. Damit positioniert sich der Ansatz als skalierbares Instrument für die bevölkerungsweite Erforschung der Körperzusammensetzung und des Stoffwechsels, was weitreichende technologische und datenschutzrechtliche Implikationen mit sich bringen kann.
Technologische Forschungsveröffentlichung einer großen Plattform (Google Research), die eine skalierbare, smartphonebasierte KI-Methode zur Schätzung der Körperzusammensetzung einführt; von hoher Relevanz für KI-Fähigkeiten sowie potenzielle Daten- und Datenschutzimplikationen.
Marktsignale zu Google in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Google Research hat Photoscan AI zur Schätzung der Körperzusammensetzung per Smartphone-Foto entwickelt.
- Das Modell wurde mit DXA- und MRT-Daten trainiert und mit realen Smartphone-Bildern optimiert.
- Photoscan übertrifft laut Google die Genauigkeit von BIA-basierten Wearables und erreicht fast DXA-Niveau.
- Die Forscher evaluierten das Potenzial zur Erkennung von Insulinresistenz und kardiometabolischen Risiken.
Verknüpfte Unternehmen
4 verknüpfte Unternehmen“The Research team has developed Photoscan AI, a new approach that aims to precisely determine body fat percentage based on simple smartphone...”
“The article was published on t3n.de (t3n – digital pioneers)....”
“The article notes that external content from TargetVideo GmbH complements the editorial offering on t3n.de....”
“Photo credit in the article: beauty-box / Shutterstock....”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Google Health Guardian: Pixel Watch erkennt Diabetes-Risiken
Google führt die ersten 'Health Guardian'-Funktionen für Pixel Watches (3. bis 5. Generation) und das Fitbit-Air-Band ein. Mittels KI-Analyse von Sensordaten liefert die Google-Health-App künftig Einblicke in Blutdrucktrends, Tendenzen zur Insulinresistenz und die Atmungsqualität im Schlaf. Die Insulinresistenz-Analyse soll schleichende Stoffwechselveränderungen ohne Blutentnahme erkennen und so frühzeitig auf Risiken für Typ-2-Diabetes hinweisen. Der Blutdruck wird passiv aus Puls- und Bewegungsmustern geschätzt. Die Funktionen sind für Pixel Watch 3-5 kostenlos, für Fitbit Air nur mit Health-Premium-Abo (9 €/Monat). In ausgewählten europäischen Ländern können Pixel Watch 4 und 5 zudem Atemnotfälle erkennen und automatisch den Rettungsdienst alarmieren. Google Research hat eine Studie in Nature veröffentlicht.
Vision AI ermöglicht präzise Nahrungs- und Kalorienschätzung via Smartphone
Dieser technische Leitfaden präsentiert eine multimodale Vision AI-Pipeline zur Bestimmung von Lebensmittelvolumen, -gewicht und Nährwerten anhand von Smartphone-Aufnahmen. Der Ansatz kombiniert das Segment Anything Model (SAM) für pixelgenaue Segmentierung, OpenCV zur Vorverarbeitung sowie die multimodale GPT-4o API zur Analyse von Tiefe und Dichte, um Maskenbereiche in Volumen- und Gewichtsschätzungen zu überführen. Das Tutorial umfasst Code-Beispiele für SAM-Masken, die Übermittlung von Bild- und Maskendaten an GPT-4o für strukturierte JSON-Ausgaben sowie die Implementierung eines FastAPI- und Pydantic-Endpunkts für Kalorien, Makronährstoffe und Konfidenzwerte. Zu den Voraussetzungen zählen Python 3.10+, SAM-Gewichte, ein OpenAI API-Key und FastAPI. Abschließend werden Produktionsherrsforderungen wie Verdeckungen, Beleuchtung, GPU-Speicher und Parallelisierung diskutiert, ergänzt durch Skalierungsressourcen im WellAlly-Blog.
KI-basierten Diät-Apps mangelt es an Genauigkeit und Datenschutz
Eine Ernährungswissenschaftlerin an der University of Virginia, Sibylle Kranz, hat populäre KI-gestützte Diät-Apps getestet. Sie stellte fest, dass diese zwar die Protokollierung von Lebensmitteln vereinfachen, jedoch erhebliche Bedenken hinsichtlich des Datenschutzes und der Genauigkeit aufwerfen. Nutzer geben oft umfangreiche persönliche Daten preis, ohne deren Verwendung vollständig zu verstehen, was ein erhebliches Datenschutzrisiko darstellt. Zudem zeigen Tests, dass KI-Systeme Kalorienangaben unterschätzen oder falsche Ernährungstipps geben, sodass Nutzer die Daten häufig korrigieren müssen. Trotz dieser Schwächen sieht Kranz KI bei sachgemäßer Anwendung als wertvolle Ergänzung zur professionellen Ernährungsberatung, keineswegs jedoch als Ersatz. Die Untersuchung verdeutlicht die aktuellen Grenzen von künstlicher Intelligenz in gesundheitsbezogenen Verbraucheranwendungen, was auch für datengetriebene Marketingstrategien und die Analyse von Verbraucherverhalten relevante Implikationen liefert.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.