Google Research presenta PhotoScan, un sistema capaz de estimar la composición corporal a partir de fotografías tomadas con el móvil. La herramienta promete una precisión superior a la de los sensores de bioimpedancia que llevan los relojes inteligentes, y lo hace sin necesidad de aparatos externos ni suscripciones adicionales. El proyecto nace de un problema real: casi tres de cada cuatro adultos estadounidenses tienen sobrepeso u obesidad, y las técnicas más fiables para medir la grasa corporal, como la absorciometría de rayos X de doble energía, solo están al alcance de hospitales y clínicas especializadas. PhotoScan busca acercar ese nivel de detalle a cualquier persona con una cámara de teléfono. En este artículo repasamos cómo funciona el sistema, qué datos ofrece y por qué su llegada plantea tantas preguntas como respuestas, tanto técnicas como de privacidad.

Un problema que va más allá de la báscula

El peso corporal es un dato pobre. Dos personas con el mismo peso pueden tener composiciones corporales completamente distintas, y esa diferencia importa. La grasa visceral, la que rodea los órganos internos, se asocia con más riesgo cardiometabólico que la grasa subcutánea, la que se acumula bajo la piel. Medir esa distribución con precisión exige equipos costosos. La técnica de referencia, la DXA, emite rayos X de baja dosis y calcula la densidad de los tejidos. Es fiable, pero también cara, lenta y poco accesible fuera del ámbito clínico. Los relojes inteligentes intentan suplir ese hueco con sensores de bioimpedancia, que envían una corriente eléctrica imperceptible a través del cuerpo y calculan la grasa a partir de la resistencia que encuentra. El problema es que esa resistencia varía con la hidratación, la temperatura de la piel o incluso la hora del día, así que el margen de error puede ser considerable.

Cómo entrena Google su modelo de visión

Google ha construido PhotoScan combinando varias fuentes de datos médicos. El primer bloque procede de escáneres DXA reales, que aportan tanto el porcentaje total de grasa corporal como dos ratios más específicos: el A/G, que compara la grasa del tronco con la de piernas y cintura, y el V/S, que distingue grasa visceral de subcutánea. A ese conjunto se suman datos de resonancia magnética, que permiten afinar todavía más la localización del tejido adiposo dentro del cuerpo. Con esa base, el equipo ajustó el modelo final utilizando fotografías reales tomadas con cámaras de smartphone, un paso necesario para que el sistema aprenda a interpretar imágenes 2D corrientes y no solo datos de escáner. El resultado es una red capaz de analizar una serie de fotos del cuerpo y traducirlas en estimaciones numéricas de composición corporal, algo que ningún sensor de muñeca puede hacer hoy con la misma profundidad.

Precisión superior a la de los wearables

Según los datos compartidos por Google Research, el modelo final de PhotoScan estima el porcentaje de grasa corporal con mayor precisión que los sensores de bioimpedancia integrados en relojes inteligentes. Más relevante aún, el sistema demuestra una notable capacidad para calcular los ratios A/G y V/S, dos métricas que los sensores BIA de consumo ni siquiera intentan medir. Aquí conviene detenerse en el detalle técnico: mientras que un sensor BIA se limita a un único valor de impedancia y una fórmula estadística general, PhotoScan procesa información espacial completa de la silueta corporal, lo que le permite inferir dónde se concentra la grasa y no solo cuánta hay en total. Esa capacidad de distinguir grasa visceral de subcutánea es, en la práctica, el salto cualitativo que separa una estimación aproximada de un dato clínicamente útil. Para profundizar en la metodología completa, Google ha publicado en arXiv, donde se detallan los conjuntos de datos empleados y las arquitecturas de red utilizadas durante el entrenamiento.

Más allá de la grasa: predecir la resistencia a la insulina

El equipo de investigación no se ha quedado en la simple medición de grasa corporal. Uno de los objetivos declarados del proyecto es explorar si los resultados de PhotoScan pueden servir para predecir condiciones metabólicas como la resistencia a la insulina, un factor de riesgo clave en el desarrollo de diabetes tipo 2. Esta línea de trabajo encaja con otros movimientos recientes de la compañía en el terreno de la salud digital, como la función Health Guardian que llegará al Pixel Watch y que incluirá el seguimiento de tendencias relacionadas con la resistencia a la insulina. La idea de fondo es coherente: si una simple serie de fotos puede aportar información que hoy solo ofrece un análisis de sangre o un escáner hospitalario, el potencial preventivo es considerable. Google ha explicado con más detalle esta ambición en la entrada de su blog de investigación, disponible en research.google, donde se plantea el proyecto como una forma de ir «más allá del IMC» a la hora de valorar el riesgo cardiometabólico de una persona.

El producto que hay detrás del estudio

Conviene aclarar qué es PhotoScan exactamente en este momento: un sistema de investigación, no un producto terminado. Google no ha anunciado planes concretos para convertirlo en una aplicación comercial ni ha fijado una fecha de lanzamiento. Lo que existe hoy es un modelo entrenado y validado con datos clínicos, publicado como estudio académico y acompañado de una entrada divulgativa en el blog de Google Research. Aun así, resulta razonable pensar que esta tecnología podría acabar integrada en Google Health, la plataforma de la compañía dedicada al seguimiento de datos médicos y de bienestar. El propio funcionamiento del sistema da pistas sobre cómo sería ese producto final: bastaría con tomar una serie de fotografías del cuerpo desde distintos ángulos, subirlas a la aplicación y recibir un informe con el porcentaje de grasa corporal y los ratios A/G y V/S calculados por el modelo. Nada de básculas inteligentes, pulseras ni electrodos. Solo la cámara que ya llevamos en el bolsillo.

El obstáculo de la privacidad

El mayor reto de PhotoScan no es técnico, sino de confianza. Para que el sistema funcione, el usuario debe compartir fotografías de su propio cuerpo, muchas veces en ropa interior o bañador, algo que genera una resistencia comprensible incluso con las políticas de privacidad más sólidas. Google tendrá que convencer a los usuarios de que esas imágenes se procesan de forma segura, que no se almacenan más tiempo del necesario y que no se usan con fines distintos al análisis de salud. Este tipo de fricción ya ha aparecido con otras herramientas de salud digital, y suele ser el factor que decide si una tecnología prometedora llega a adoptarse de forma masiva o se queda en el laboratorio. Según datos citados por el propio artículo original, el problema de fondo que Google intenta abordar es enorme: la organización estadounidense de referencia en salud, el NIH, calcula que un 73,1% de los adultos del país tiene sobrepeso u obesidad, una cifra que deja claro por qué cualquier herramienta accesible de seguimiento corporal despierta tanto interés.

Reflexiones finales

PhotoScan es, ante todo, una prueba de concepto bien construida. Demuestra que la visión por ordenador, entrenada con datos médicos de calidad, puede aproximarse a mediciones que hasta ahora exigían equipamiento hospitalario. En nuestro caso, seguimos con atención cualquier avance que traslade capacidades clínicas al terreno del smartphone, del mismo modo que ya analizamos en su día el salto que supuso la integración de sensores de bioimpedancia en relojes como los Galaxy Watch. Pero conviene no perder de vista lo que Google mismo reconoce: tener el dato no basta. El verdadero desafío no es medir la grasa visceral con precisión, sino conseguir que esa información se traduzca en cambios reales de alimentación y estilo de vida. Ahí es donde muchas herramientas de salud digital fracasan, por muy sofisticado que sea el algoritmo que las sostiene. Si PhotoScan llega algún día a nuestros móviles, su éxito dependerá tanto de la precisión del modelo como de la capacidad de Google para ganarse la confianza de quienes tendrán que fotografiarse para usarlo.