相关实验视频
Updated: Jul 15, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
建立一个机器学习模型,通过面部特征识别来预测营养风险
Jingmin Wang1, Chengyuan He2, Zhiwen Long2
1College of International Engineering, Xi'an University of Technology, Xi'an, China.
Frontiers in nutrition
|October 2, 2023
概括
这项研究开发了一种机器学习模型,使用面部特征来预测营养风险,达到73.1%的准确性. 这种非侵入性方法为早期营养评估和干预提供了一个有希望的工具.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 营养科学 营养科学
背景情况:
- 营养不良是一个全球性的健康问题,需要有效的营养风险评估.
- 目前的方法可能是侵入性的或耗时的.
- 早期识别和干预对于改善患者的治疗结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于使用面部特征识别预测营养风险.
- 为早期营养状况评估建立一种非侵入性和有效的方法.
主要方法:
- 利用了949名患者的医学检查数据和面部图像.
- 采用U-net用于轨道脂肪的细分,以及用于特征提取的定向梯度 (HOG) 基底图.
- 应用主要组件分析 (PCA) 用于缩小维度和支持向量机 (SVM) 用于NRS-2002风险评分预测.
主要成果:
- 在预测NRS-2002营养风险得分方面取得了73.1%的准确性.
- 在老年人群中 (85%) 与非老年人群 (71.1%) 相比,表现出更高的准确性.
- 根据性别和医院位置显示出不同的准确性,偏远地区的收益率为76.5%.
结论:
- 面部识别模型显示了可行和可访问的营养风险评估的巨大潜力.
- 73.1%的准确率表明,这是一种可行的早期检测和干预的非侵入性工具.
- 进一步的改进可以增强这种创新方法的广泛临床应用.
