面部图像和视频之间的注释差异用于训练人工智能来确定皮肤类型
Gabriele Maria Lehner1, Laura Gockeln1, Bettina Marie Naber1
1Department of Dermatology and Allergology, University Hospital Augsburg, Augsburg, Germany.
概括
与静态图像相比,视频可以提供更敏感的评估动态皮肤特征,如纹. 皮肤分析中的主观性突显出需要在AI开发中进行一致的评分员培训和交叉验证.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 该项目旨在开发一个人工智能驱动的数字工具,用于个性化皮肤分析和护理程序.
- 训练这种AI需要从面部图像中准确注释皮肤特征.
- 一个关键的研究问题是,视频分析是否优于静态图像来评估动态皮肤参数.
研究的目的:
- 为了比较视频与静态图像分析对标注八种不同的皮肤特征的有效性.
- 为了评估在不同方式中评估这些特征的评价者之间的可靠性.
主要方法:
- 25名健康的志愿者提供了标准化的图像序列和视频录制,其中包括面部表情.
- 四名皮肤学专家评价者使用半定量和线性尺度对八种皮肤特征进行了注释.
- 采用交叉设计来比较图像和视频模式,并评估评级者差异.
主要成果:
- 与静态图像相比,大多数评估的皮肤参数在视频分析中显示得分更高,其中一些差异具有统计学意义.
- 在专家评级人员的评估中观察到显著的变化.
结论:
- 图像和视频分析对于皮肤特征评估存在显著差异.
- 皮肤分析固有的主观性强调了严格的评分员培训和对AI模型开发的交叉验证的重要性.


