人工智能在太空监测肥胖：成人肥胖率与区域建筑环境特征相关

你所居住的社区中有宠物店、健身房和公园吗？还是充斥着快餐店、超市和繁忙的马路？这个答案可能预示着你的肥胖概率。

日前，两位来自美国华盛顿大学西雅图分校的研究人员发现我们所处的建筑环境与区域内的肥胖率有很大的关联。区域建筑环境特征是指区域内的自然和人为环境，例如绿地和公路等。这些环境特征可以与其他数据结合使用，从而监测地区的肥胖患病率。

他们的研究结果表明，区域内的建筑环境与不同社区肥胖患病率的变化有关。回归模型显示，建筑环境特征解释了该项目涉及的1695个人口普查区内64.8%肥胖率的变异。具体而言，该模型对不同城市肥胖率的测算能力有所不同。其最准确地预测了孟菲斯市的肥胖率，准确率为73.3%。最低是在西雅图地区，准确率是55.8%。

研究人员提出了一种利用卷积神经网络（CNN）评估成人肥胖患病率与区域建筑环境之间关系的方法。卷积神经网络是一种深度学习方法，该研究所使用的卷积神经网络经过预先训练，能够捕捉区域环境的特点，例如绿化、土地等自然特征和道路、房屋等建筑特征。

两位研究人员首先利用卷积神经网络从约15万张高分辨率的卫星图像中提取代表建筑环境特征的数据。这些卫星图像于2017年2月14日至28日下载，并在研究期间（2017年10月31日）更新。图像中的建筑环境信息被分为96个类比，例如宠物店和杂货店等。这种设计的内在逻辑是区域建筑对人群活动的潜在影响。比如说，有宠物店的区域可能会有更多的人带狗散步。另一方面，研究者收集了2014年美国500个城市的肥胖率估计值。随后，他们结合上述两类数据建立起了一个回归模型来评估区域内建筑环境与肥胖患病率之间的关系。

具体而言，一个区域建筑环境的特征如土地使用情况，公园、宠物店、健身房与快餐店的分布，公共交通情况和绿地面积等都与当地的成人肥胖率有关。以洛杉矶为例，研究人员发现高肥胖率区域的特点是密集的街区和较少的绿地，相反，低肥胖率区域拥有着更多的绿化面积。

洛杉矶高肥胖率地区（左）与低肥胖率地区（右）的谷歌卫星图片 （左侧高肥胖率地区以密集的街区和较少的绿地为特点；右侧低肥胖率区域有更高的植被绿化率）

事实上，全球近三分之一的人口有超重或肥胖的困扰。2017年6月，一篇发表在《新英格兰医学杂志》中的大规模全球研究项目指出全球有超过20亿儿童和成年人患有超重或肥胖相关的健康问题，占到全球人口的30%。肥胖问题导致糖尿病和心脏病的发病率急剧上升，越来越多的人因此死亡。

这一高肥胖率是由许多复杂因素造成的，例如遗传因素和饮食结构等。而本文的研究者认为，区域内的建筑环境也日益成为其中重要的影响因素，它可以通过资源的可用性来影响健康，例如住房，活动和娱乐空间等。

研究者尝试对建筑环境特征数据与肥胖患病率之间的显著关联给出解释。他们认为，该关联不一定是因果关系，社会经济指标可能是这一关联背后的重要影响因素。其观察结果表明，对于洛杉矶和圣安东尼奥等城市而言，肥胖患病率与建筑环境特征之间的大部分重要关联可能可以通过社会经济状况的变化来解释。但他们同时提到，卷积神经网络所识别的特征可能会捕获与社会经济指标无直接关联的其他信息，也就是说，社会经济指标并非解释建筑环境特征与肥胖率之间关系的唯一因素。

研究人员还称，他们的方法帮助专家评估不同城市的肥胖风险。此外，与昂贵且耗时的现场访问或社区调查方法相比，该研究为建筑环境的测量提供了更为客观的方法，也大大降低了统计成本。

美国杜克大学的Benjamin A. Goldstein博士等人肯定了两位研究者利用深度学习方法发现建筑环境特征的贡献。但他们强调“不要过度解释任何结果”，“深度学习方法与学科知识结合可以增加发现复杂关系的机会，但这并不意味着单独的大数据分析可以提供所有的答案”。

这一研究也存在一定的局限性。文章提到，人口普查中的肥胖率数据来自居民自我报告的身高和体重，由于社会对肥胖人士的偏见，统计过程中该数据会倾向于被低估。

此研究于2017年2月14日至10月31日进行，由美国华盛顿大学西雅图分校的Adyasha Maharana硕士 和Elaine OkanyeneNsoesie博士共同完成。其成果发布于2018年8月31日。

（澎湃新闻 张唯）