一个新的多功能学习模型用于使用面部皮肤图像进行疾病诊断
Nannan Zhang1, Zhixing Jiang1, Mu Li2
1The Chinese University of Hong Kong (Shenzhen), Shenzhen, China; Shenzhen Institute of Artificial Intelligence and Robotics for Society, Shenzhen, China; Shenzhen Research Institute of Big Data, Shenzhen, China.
Computers in biology and medicine
|December 12, 2023
概括
面部皮肤分析现在可以非侵入性检测糖尿病 (DM),脂肪肝 (FL) 和慢性功能衰竭 (CRF). 我们的新多特征学习与中枢矩阵 (MFLCM) 方法通过解决样本变异来提高诊断准确性.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 面部皮肤特征提供了对潜在健康状况的见解.
- 受环境或遗传因素影响的不同样本会降低诊断的准确性.
- 准确的诊断对于管理各种健康状况至关重要.
研究的目的:
- 开发一种新的多功能学习方法,以减轻对诊断的不同样本的影响.
- 为了提高分类面部皮肤样本的准确性,特别是边界上的样本.
- 为了使糖尿病 (DM),脂肪肝 (FL) 和慢性功能衰竭 (CRF) 的非侵入性同时检测.
主要方法:
- 提出了一种使用中心矩阵 (MFLCM) 方法的多功能学习方法.
- 引入了一种新型的区分器,其中心点矩阵策略集成到一个统一的模型中.
- 应用中心矩阵嵌入特征空间使用放松的哈明距离进行分类.
主要成果:
- 获得了高F1分数:健康的92.59%,DM的83.35%,FL的82.84%,CRF的85.46%.
- 与单视图和最先进的多功能方法相比,证明了卓越的性能.
- 在临床面部皮肤数据集上验证了该方法.
结论:
- 在面部皮肤分析中,MFLCM有效地减轻了分歧样本的影响.
- 这项研究是第一个使用面部皮肤图像进行非侵入性同时检测汉语DM,FL和CRF的研究.
- 拟议的方法为早期疾病检测提供了一个有希望的非侵入性方法.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
05:56Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
2.5K
