スマホ身体スキャンの「1cm問題」

本当の変化を追うなら、再現性だけでは足りない

ウエスト周囲長が1cm変わることには、意味があります。人によっては、継続したトレーニングや食事、休養、あるいは今の生活習慣を続けてきた結果が、数か月かけてようやく表れる変化かもしれません。

だからこそ、身体を記録する技術には、現実的な問題があります。

体が変わっていないのに測定値が1cm動く方法で、1cmの変化が本当に起きたと、どう判断できるのでしょうか。

この問いが、スマートフォンを使った身体スキャンに関する最近の研究の背景にあります。研究は、スマホスキャンがすべて役に立たないと示しているわけではありません。スマホを三脚に固定し、部屋の条件を整え、決められた姿勢をとり、数分後に同じスキャンを繰り返すような条件では、現代のシステムが驚くほど安定した結果を出すこともあります。

ただし、再現性が高いことと、個人レベルで正確であることは別の話です。同じ答えを2回出せても、その値がメジャーの測定値、基準となる3Dスキャナー、あるいは本人の実際の身体寸法から系統的にずれている可能性は残ります。研究全体の平均的な傾向を説明するには十分でも、1人の小さな変化を確認するには不確か、ということもあります。

だからConturaは、測定を起点にする設計を採用しています。3Dモデルは、カメラが推定した数値で測定値を置き換えるものではなく、入力した測定値を見て、比べるためのものです。

混同されやすい3つの考え方

「誤差0.5cm」のような数字を読む前に、研究で別々に測られている3つの概念を分けて考える必要があります。

用語	何を問いかけているか	なぜ重要か
精密度（precision）／再現性（repeatability）	体が変わっていないとき、2回の測定値はどれくらい近いか	繰り返し測定に含まれる技術的なばらつきを示す
正確さ（accuracy）／一致度（agreement）	結果は基準となる方法にどれくらい近いか	系統的な偏りや、個人ごとのずれを示す
最小有意変化（least significant change：LSC）	測定ノイズではないと判断できる差は、どの程度の大きさか	変化を解釈するときの実用的な境界を決める

級内相関係数（ICC）は、再現性を見るうえで役立つ指標です。しかし、ICCが高いからといって、絶対値まで正しいとは限りません。たとえば、ある方法がウエスト周囲長を一貫して小さめに、ヒップ周囲長を一貫して大きめに出していても、相関は高くなり得ます。

進捗を追うことが目的なら、特に重要なのがLSCです。身体組成研究で使われる2回測定の考え方では、LSCは次のように計算されることがよくあります。

LSC ≈ 2.77 × 精密度の誤差

この倍率があるため、精密度の誤差が0.5cmだからといって、0.5cmの差がすべて「本当の変化」だと判断できるわけではありません。

360°スマホ研究で、実際に分かったこと

近年の比較研究の中でも、比較的条件の整ったものの一つが、46人の成人を対象に4種類のデジタル身体計測方法を調べた研究です。その中には、被験者が1周回転する間に連続画像を撮影するスマホアプリも含まれていました。周囲長を平均すると、全周回転型のスマホ方式は、平均技術的測定誤差（TEM）が0.5cm、相対誤差が0.9%、ICCが0.986でした。条件を管理した試験では、より大型で持ち運びにくい3Dスキャナーと同程度の結果でした。Tinsley et al., European Journal of Clinical Nutrition (2024)

これは価値のある結果です。条件を管理した再テストで、設計のよい360°スキャンのパイプラインがどこまで安定するかを示しています。

ただし、次のことを意味しているわけではありません。

• すべてのスキャンが、あなたの本当のウエスト周囲長から0.5cm以内に収まる。
• 0.5cmが最大誤差、またはどんな状況でも保証される誤差である。
• 翌日に別の部屋、別の姿勢、別の服装、別のスマートフォンで撮ったスキャンが、研究室でのスキャンと同じ意味を持つ。
• 2回の個人スキャンで0.5cm差が出たら、その差が自動的に本当の変化だといえる。

関連する2024年の Frontiers in Medicine の研究を見ると、この違いがさらに分かりやすくなります。この研究では、360°の回転中に多数の画像を撮影するスマホ3Dスキャンアプリを使い、iPhoneを参加者から約1.7m離れた三脚に固定しました。参加者はAポーズを保ち、身体のラインが分かる最小限の服装で、検査前は一晩絶食し、少なくとも24時間は運動を避けていました。また研究では、360°スキャン中は身体そのものが動くため、ソフトウェアには非剛体アバター再構成が必要になり、それが追加の誤差を生む可能性があると説明しています。Tinsley et al., Frontiers in Medicine (2024)

この論文で報告されたLSC 1.39〜1.82パーセントポイントは、ウエスト周囲長ではなく、体脂肪率の推定式に対する値です。論文中の周囲長0.5cmという数字も、先ほどの全周回転型研究から引用されたものです。

直感をつかむための単純な例として、0.5cmの精密度の誤差を同じ式に入れると、次のようになります。これは、その論文がウエスト周囲長について報告したLSCではありません。

2.77 × 0.5cm ≈ 1.4cm

ここで大切なのは、平均的な再現性の誤差が0.5cmの方法でも、測定ノイズを超えたと確信するには、それより大きな変化が必要になることがあるという点です。1cmの変化が本当に起きている可能性はあります。それでも、1人の変化をその方法で確実に見分けるには小さすぎることがあります。

MeThreeSixtyの研究が示す、平均値の落とし穴

先ほどの研究は、スマホアプリと研究者が行ったメジャー測定を直接比較したものです。115人の成人を対象に、iPhone版とSamsung版のMeThreeSixty、およびmyBVIを評価しました。基準となるウエストとヒップの測定は、参加者が自宅で気軽に測った値ではなく、管理された実験室プロトコルのもとで研究者が行っています。Graybeal et al., British Journal of Nutrition (2023)

ウエスト周囲長とヒップ周囲長の精密度の誤差は、0.5〜1.9cmの範囲でした。詳しい結果を見ると、この幅が重要な理由が分かります。

方法	ウエストの精密度の誤差	ヒップの精密度の誤差
専門家によるメジャー測定（基準）	0.63cm	0.65cm
iPhoneのMeThreeSixty	0.54cm	0.51cm
SamsungのMeThreeSixty	0.87cm	0.90cm
iPhoneとSamsungをまたいだMeThreeSixty	1.91cm	1.59cm
myBVI	1.12cm	1.91cm

これらは、繰り返し測定したときの再現性の結果です。アプリの数値が、その人の本当の周囲長にどれだけ近いかを示すものではありません。

研究者がアプリの結果を基準となるメジャー測定と比較すると、iPhone版のMeThreeSixtyは、ウエスト周囲長を平均で2.3cm過小評価し、ヒップ周囲長を平均で3.1cm過大評価していました。調査対象となったアプリでは、95%一致限界はウエストでおよそ**±9.0〜±12.4cm**、ヒップでおよそ**±6.7〜±10.7cm**でした。

一部の測定項目については、あらかじめ定めた5%の範囲内で、グループ平均が同等と判断されました。しかし、これは個人の結果がメジャー測定とそのまま置き換えられることを証明するものではありません。実際、ウエストの小さめの推定とヒップの大きめの推定が組み合わさり、ウエスト・ヒップ比は基準方法と同等とはいえませんでした。

ここが中心的なポイントです。平均を比べると問題なさそうに見える方法でも、個人ごとの誤差は大きく広がることがあります。「自分のウエストは本当に1cm減ったのか」と知りたいなら、グループ平均より個人レベルの誤差のほうが重要です。

撮影する画像を増やしても、個人レベルの問題は消えない

2026年に発表された新しい研究では、MeThreeSixty、Bodygram、ZOZO FitをDXAと比較し、体脂肪率を評価しました。この比較で複数画像を使った方法がZOZO Fitです。参加者が360°回転する間に、12枚の写真を撮影しました。3つのアプリはいずれも、同一セッション内の再現性は非常に高く、ICCは0.98〜0.99でした。ZOZO Fitは体脂肪率のRMSEが最も小さい2.95%で、DXAとの一致度も最も高い結果でした。

しかし、研究であらかじめ定めた±2パーセントポイントの同等性の範囲を満たしたアプリは一つもありませんでした。ZOZO Fitでも、個人ごとの一致限界はおよそ**−5.89〜＋8.36パーセントポイント**と広く、DXAとの差が±2パーセントポイント以内だった参加者は44%未満でした。著者らは、アプリの再現性は高い一方、個人レベルの正確さは臨床的な判断に使えるほど十分ではないと結論づけています。Encarnação et al., Clinical Nutrition ESPEN (2026)

この研究が測定したのはウエスト周囲長ではなく体脂肪率です。そのため、特定のアプリのウエスト測定が同じ大きさでずれると主張するためには使えません。ただし、カメラから個人の結果を導く同じ種類の連鎖、つまりカメラ画像 → セグメンテーションと身体モデル → 推定された身体測定値 → 個人の結果を検証しています。

ここから分かるのは、撮影枚数を増やすとモデル全体の平均的な当てはまりは改善しても、個人の変化を正確に検出できるとは限らないということです。データが増えることは助けになります。しかし、推定されたモデルの出力が、直接測った物理量になるわけではありません。

別のオープンアクセス研究は、ポーズの影響がどれほど大きいかを示しています。ある参加者では、側面画像で腕の位置を変えただけで、生成されたウエスト周囲長が約6cm変わりました。もちろん、すべてのスマホスキャンが6cmずれるという意味ではありません。入力するポーズそのものが、測定システムの一部になっていることを示す具体例です。Minetto et al., Scientific Reports (2023)

ZOZOFITのヘルプページは、測定部位によっては誤差の目安が0.4cmだと説明しています。ただし、その数字は同社が定義した誤差、データセット、検証手順を表すものと考えるべきで、あらゆる部位、体型、スマートフォン、部屋、ポーズ、ソフトウェアのバージョンに当てはまる95%水準の普遍的な誤差上限ではありません。アプリ自身の案内でも、360°回転中の位置をそろえること、スマホからの距離を固定すること、背景を片付けること、均一な照明を使うことが求められています。ZOZOFIT「How accurate are the ZOZOFIT measurements?」 · ZOZOFITのスキャン位置に関する案内

これは単なるソフトウェアの不具合ではなく、構造上の問題

スマホのカメラは、ウエストの周囲長を直接測っているわけではありません。カメラが見ているのは画素とシルエットです。そこからソフトウェアが、3次元の表面を推定し、どこを解剖学的なランドマークとみなすかを決め、再構成した身体の断面を計算します。

これは「逆問題」です。特に柔らかい組織、服、影、体の一部の重なり、カメラから隠れる部分があると、異なる3D形状から似た2D画像が生まれることがあります。360°回転すればアルゴリズムが使える情報は増えますが、画像の質と一貫性、そして画像を解釈するモデルに依存することは変わりません。

不確かさの主な原因は、数学的なものだけでなく、実際の撮影条件にもあります。

• 同じランドマークを測っているとは限りません。 ウエスト周囲長は、腸骨稜、最下肋骨と腸骨稜の中間、へそ、自然なウエストなど、異なる位置で測ることがあります。特に女性では、位置によって値が大きく変わる可能性があります。Mason and Katzmarzyk, Obesity (2009)
• 姿勢と動きで身体表面は変わります。 その場で回転する人は、完全に動かない剛体ではありません。研究自体も、動く身体を非剛体アバターとして再構成し、基準となるポーズにそろえる必要があると説明しています。
• 服装と照明がシルエットに影響します。 ZOZOFITとMeThreeSixtyが、体に合った服装、背景、カメラ位置、照明についてそれぞれ案内しているのは、画像処理の結果が入力条件に依存するためです。
• スマホとソフトウェアのバージョンが影響します。 MeThreeSixtyの研究では、iPhone版とSamsung版で再現性が異なりました。消費者向けアプリでは、再構成方法やアバターのアルゴリズムが時間とともに変わることもあります。
• 学習データに含まれる人々の分布が影響します。 ある体型分布で学習したモデルは、体の比率、サイズ、年齢、脂肪のつき方が異なる人に対して、同じように動作するとは限りません。MeThreeSixtyの研究ではサブグループ間の違いが見られ、自己測定、家庭での利用、長期的な追跡について、さらなる研究が必要だと明記されています。

だからといって、スマホスキャンが役に立たないわけではありません。小さな変化を知りたいときには、推定値に含まれる不確かさまで考えて使う必要がある、ということです。

メジャーも完璧ではない。だからこそ、手順が重要になる

代わりに使うメジャーが、誤差ゼロの魔法の道具というわけではありません。メジャー測定も、ランドマーク、姿勢、呼吸、テープを締める強さ、測定する人の技術に左右されます。

経験の浅い測定者がウエストとヒップを測った研究では、その手順のもとで、ウエストは3.0cmを超える変化、ヒップは2.0cmを超える変化であれば、95%の信頼水準で真の変化として扱えると報告されています。Wang et al., Perceptual and Motor Skills (2010)

ここでの教訓は、「メジャーなら常に正しい」ということではありません。本気で身体の変化を追うなら、測定手順を明確にする必要があるということです。どこを測るのか、どんな条件で測るのか、どの方法を使うのか、その方法で見分けられる変化の大きさはどの程度かを知る必要があります。

Conturaが測定を起点にした3Dトラッキングを採用する理由

Conturaは、意図的にカメラ式の身体スキャナーではありません。2枚の写真や360°のスマホスキャンから、すべての周囲長を自動推定できるとは約束していません。

代わりに、測定の流れが見えるようにしています。

カメラ起点のスキャン	Conturaの測定起点トラッキング
身体 → 写真 → シルエット抽出 → 推定3Dメッシュ → 独自ランドマーク → 測定値	身体 → 再現可能なメジャーの測定位置 → ユーザーが記録した測定値 → 3Dビジュアル化 → 過去との比較
手軽ですが、数値に影響する見えない工程が多い	少し手間はかかりますが、入力値を確認し、同じ手順を繰り返せる
スキャン結果そのものが測定値になる	測定値が元データで、3Dは視覚化の結果になる

Conturaでは、同じ測定位置を確認しながら、複数の周囲長を時系列で記録し、その数字を回転できる3Dの身体状態に変換できます。2つの日付を比べれば、測定値の差が一貫した視覚的な枠組みの中でどう表れるかを確認できます。

だからといって、メジャーが絶対に間違わないわけではありません。測定の手順が見えるため、プロセスを透明にできるということです。数字が変わったとき、原因不明のモデル出力をそのまま受け入れるのではなく、測定の段階で何が起きたのかを確認できます。1回の測定に含まれる不確かさより小さな変化なら、1回のスキャンに結論を委ねず、意味のある間隔で繰り返し測ったときの傾向を待つこともできます。

本気で変化を追いたいなら、どう測ればよいか

知りたい変化の大きさに合った方法を使いましょう。

1. 解剖学的なランドマークを決め、毎回同じ位置を使う。
2. 時間帯、服装、姿勢、呼吸、直前の運動など、できるだけ同じ条件で測る。
3. 数字が合うまでテープを締め直すのではなく、いったん外して、もう一度同じ位置に置く。
4. 数値だけでなく、測定方法も記録する。
5. 1日ごとの差ではなく、意味のある間隔で繰り返し測ったときの傾向を見る。
6. スキャンから作ったものでも、測定値から作ったものでも、3D身体モデルは視覚化であり、医療診断や完璧なデジタルツインではないと理解する。

大まかな見た目の確認や大きな変化を知る目的なら、スマホスキャンは便利かもしれません。しかし、ゆっくり進む1cmの変化が本当かどうかを知りたいなら、カメラによるスキャンだけに頼らないでください。再現できる測定を使い、履歴を残し、その方法が持つ不確かさと照らし合わせて解釈しましょう。

Conturaの役割は、身体測定が手間なくできると装うことではありません。丁寧な測定を、記録し、比べ、理解しやすくすることです。

ConturaをApp Storeで見る

よくある質問

技術的な誤差0.5cmなら、スキャンは0.5cmの精度で測れるということですか？

いいえ。360°研究での0.5cmは、条件を管理した環境で周囲長を繰り返し測ったときの平均的な技術的誤差です。最大誤差でも、どんな状況にも当てはまる保証でも、あなたの本当のウエスト周囲長との一致度を直接示す数字でもありません。

それなら、スマホ身体スキャンは役に立たないのですか？

いいえ。大まかな視覚化、大きな変化の確認、研究、グループレベルの用途では役に立つ可能性があります。ただ、1人の小さな変化が本当かどうかを問うときは、根拠が弱くなります。

ConturaはMeThreeSixtyやZOZOFITより正確ですか？

Conturaは、検証していない「どんな状況でも普遍的に正確」という主張をしていません。採用している測定モデルが異なります。ユーザーが周囲長を記録し、Conturaがそれを視覚化して比較します。そのため、自動的なカメラ推定よりも、透明性のある長期的な測定記録に向いています。

メジャーなら、いつでも正確に測れますか？

いいえ。メジャー測定にも、位置と手順の一貫性が必要です。メジャーの利点は、測定の工程が見え、教えられ、繰り返せることです。見えない推定結果を受け入れるのではなく、方法を確認して修正できます。

どのくらいの頻度で測ればよいですか？

毎日測る必要はない人が多いでしょう。脂肪を減らしている時期なら1〜2週間に1回、身体の形がゆっくり変わる場合は2〜4週間に1回という間隔のほうが、一貫性を保ちやすいことがあります。体が変化する時間を確保しながら、測定条件をそろえられる間隔を選んでください。

参考資料

• Graybeal, Brandner, and Tinsley (2023), “Evaluation of automated anthropometrics produced by smartphone-based machine learning,” British Journal of Nutrition
• Tinsley et al. (2024), “Mobile phone applications for 3-dimensional scanning and digital anthropometry,” European Journal of Clinical Nutrition
• Tinsley et al. (2024), “Smartphone three-dimensional imaging for body composition assessment using non-rigid avatar reconstruction,” Frontiers in Medicine
• Encarnação et al. (2026), “Accuracy, repeatability, and interchangeability of smartphone-based digital anthropometry,” Clinical Nutrition ESPEN
• Minetto et al. (2023), “Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players,” Scientific Reports
• Mason and Katzmarzyk (2009), “Variability in Waist Circumference Measurements According to Anatomic Measurement Site,” Obesity
• Wang, Liu, and Chen (2010), “Intrarater reliability and the value of real change for waist and hip circumference measures by a novice rater,” Perceptual and Motor Skills
• ZOZOFITの測定精度とスキャン位置に関する案内