Deep learning spotter overvægt fra rummet
more_vert
close

Få de daglige nyheder fra Version2 og Ingeniøren. Læs mere om nyhedsbrevene her.

close
Ved at tilmelde dig accepterer du vores Brugerbetingelser, og du accepterer, at Teknologiens Mediehus og IDA-gruppen lejlighedsvis kan kontakte dig om arrangementer, analyser, nyheder, job og tilbud m.m. via telefon og e-mail. I nyhedsbreve, e-mails fra Teknologiens Mediehus kan der forefindes markedsføring fra samarbejdspartnere.

Deep learning spotter overvægt fra rummet

Billedet til venstre er forekomsten af overvægt estimeret af det neurale netværk via satellitbilleder. Til højre ses den faktiske forekomst af overvægtighed ud fra sundhedsmyndighedernes data via spørgeskemaundersøgelser. Illustration: Adysha Maharana

»Din mor er så tyk, at hun har sit eget postnummer!«.

Ja, vi har givetvis alle måtte lægge øre til sådanne upassende, overdrevne jokes. Men nu er der faktisk en gram fakta i dem. I hvert fald i den forstand, at det er muligt automatisk og forholdsvis præcist at estimere sandsynligheden for overvægtige personer i en by udelukkende ved at analysere områdets infrastruktur ud fra satellitfotos.

Det angiver et studie publiceret i JAMA Network foretaget af forskerne Adyasha Maharana og Elaine O. Nsoesie fra Institute for Health Metrics and Evaluation (IHME) ved University of Washington.

Automatikken sker med kunstig intelligens – mere præcist i form af en deep learning-metode via et prætrænet, helisk, neuralt netværk, også kendt under den engelske betegnelse Convolutional Neural Network (CNN). Netværket er grundlæggende en matematisk modellering af den visuelle cortex i hjernen, men opbygget ved, at lagdelte systemer af kunstige neuroner udveksler meddelelser mellem hinanden.

Læs også: Maskinlæringsalgoritmer kalibrerer CNC-maskine 30 gange hurtigere end et menneske

Især ved mønster- og billedgenkendelse har CNN bevist sit værd sammenlignet med andre detekteringsalgoritmer – også i forhold til os menneskers evne til at genkende mønstre ved visuelt indhold.

I tilfældet med overvægtstudiet fodrede forskerne det neurale netværk med knap 150.000 højtopløselige Google Maps-satellit-fotos af udvalgte nabolag i fire amerikanske byer; Los Angeles, Tennessee, San Antonio og Seattle.

Analysen bestod herefter i, at netværkets algoritme via VGG-CNN-F-netværket fandt mønstre i billederne, såsom udformningen af og adgang til grønne områder, omfang af grønne områder, typer af boliger, adgang til offentlig transport, udformningen af vejnettet og lignende. Med et andet program, Elastic Net, blev sammenhængene mellem disse datapunkter så afprøvet i forhold til generelle info om antallet af overvægtige i forskellige områder i USA defineret ud fra Body Mass Index, der er en matematisk formel for en sammenhæng mellem personers højde og vægt (om end BMI´en altså ikke omfatter kropsfedt og blandt andet derfor er omdiskuteret).

Brugbare skøn

I sidste ende viste det sig, at det neurale netværk var i stand til at komme med nogenlunde præcise estimater af forekomsten af overvægtige i et område sammenholdt med kontroldata i form af allerede indsamlede data om personerne via eksempelvis spørgeskemaundersøgelser foretaget af de amerikanske sundhedsmyndigheder.

Billedet til venstre er forekomsten af overvægt estimeret af det neurale netværk via satellitbilleder. Til højre ses den faktiske forekomst af overvægtighed ud fra sundhedsmyndighedernes data via spørgeskemaundersøgelser. Illustration: Adysha Maharana

Netværket er ikke så præcist, at det kan erstatte de gængse metoder til at indsamle data om folkesundhed såsom rundspørger, men som Science bemærker i fastfood-lingo kan det neurale netværk fungere som et supplement til de eksisterende metoder, fordi det er hurtigt og billigt.

»Ligesom et supersize-meal,« skriver Science.

Vidner om socioøkonomiske forskelle

Forskerne Adyasha Maharana og Elaine O. Nsoesie pointerer selv, at årsagen til at et neural netværk hurtigt kan spotte forekomsten af overvægt blot via satellitfotos med overvægtsmarkører såsom hvilket hus man bor i eller hvor langt man har til et grønt område formentlig kan forklares ud fra socioøkonomiske forhold.

Andre studier har påvist, at jo fattigere man er, des større er sandsynligheden for, at man motionerer mindre end gennemsnittet, og at man fravælger eller i ringere grad har råd til en kost uden forarbejdede fødevarer, som er propfyldt med tilsat sukker.

Jo mere grønt du har omkring dig i en storby, des større er sandsynligheden for, at din indkomst er over gennemsnittet, og at du derfor har en gennemsnitlig vægt. Bor du omvendt i et lejlighedskompleks eller langt fra grønne områder i storby, taler sandsynligheden for, at din indtægt er lavere – men din kropsvægt højere.

Disse markører for kropsvægt som også afspejler sig i den urbane infrastruktur, fandt det neurale netværk dernæst mønstre i. Der var dog sommetider tale om misvisende mønstre, understreger de to forskere.

Eksempelvis særligt i tilfældet med det østlige Memphis, hvor det neurale netværk kom frem til en langt højere repræsentation af overvægtige end der var belæg for i forhold til sundhedsmyndighedernes data.

Læs også: Kunstig intelligens kan afsløre tuberkulose

Ifølge forskerne skyldes netværket overdrivelse, at det østlige Memphis er tæt bebygget med få grønne og rekreative områder – markører som normalt er lig med flere overvægtige. Men hvad netværket ikke vidste og kunne tage højde for – altså data som det ikke blev fodret med for at afprøve billedgenkendelsen – var, at det østlige Mephis tillige er kendetegnet ved indkomstniveau over gennemsnitttet. Læg dertil en omfattende forekomst af fitnescentre, som beboere med solide indtægter har råd til at betale for medlemskaber i.

Så selvom mange af de sædvanlige urbane markører for overvægt i høj grad var til stede for det østlige Memphis, snød repræsentationen af faktisk overvægtige i dette område det neutrale netværks antagelse.

Men som forskere påpeger, kan netværket snildt næste gang fodres med andre urbane markører såsom netop antallet af fitness-klubber i området, restauranter og andre data om en bys udformning.

Læs også: Kameraer med kunstig intelligens forener overvågning med retten til privatliv

Trods muligheden for fejlskud peger forskerene derfor på, at aflæsningen af satellitfotos udgør et billigt og givtigt alternativ, som kan give myndighederne et ektra fingerpeg om hvor de bør sætte ind, hvis de vil mindske antallet af overvægtige gennem sundhedskampagner eller indretning af offentlige pladser, der opmuntrer til at få rørt lemmerne.

»Udviklingen af dataalgoritmer, som automatisk kan behandle satellitbilleder for at skabe indikatorer af det urbane miljø, kan dramatisk sænke omkostningerne og muliggøre undersøgelser af, hvorledes et områdes unikke udformning påvirker udbredelsen af fedme. Derudover viser vores undersøgelse stærke og sammenhængende beviser, som tyder på, at udformningen af et bymiljø kan være en betydelig indikator for udbredelsen af overvægt,« skriver de to forskere, Adyasha Maharana og Elaine O. Nsoesie.

sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først

I Danmark kunne man vel med langt større præcision få samme oplysninger fra skattevæsenet.
Samtidig kunne man bruge evt. afvigelser fra det formodede BMI til at foretager en ekstra undersøgelse af selvangivelsen.
I den forbindelse må man dog regne med en usikkerhed i de højere indkomstkredse pga skats tilsyneladende villighed til at se stort på omfattende skatteunddragelser, henholdsvis lovgivningens indbygning af skattehuller til de mest velstillede :-)

  • 6
  • 1

"...prætrænet, helisk, neuralt netværk" - det kunne være rart med et bud på, hvad helisk (i sammenhængen) monstro betyder!??

"Analysen bestod herefter i, at netværkets algoritme via VGG-CNN-F-netværket fandt mønstre"- nårh ja, dét netværk kender vi jo alle! :)

  • 1
  • 0
Bidrag med din viden – log ind og deltag i debatten