相关实验视频
Updated: Jun 28, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.1K
人工智能面部识别系统用于诊断内分泌和代谢综合征,基于面部图像数据库
Danning Wu1, Jiaqi Qiang2, Weixin Hong3
1Key Laboratory of Endocrinology of National Health Commission, Department of Endocrinology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, 100730, China; Key Laboratory of Carcinogenesis and Translational Research (Ministry of Education/Beijing), Department of Radiation Oncology, Peking University Cancer Hospital & Institute, Beijing, 100142, China.
Diabetes & metabolic syndrome
|April 14, 2024
概括
为10种内分泌和代谢综合征创建了一个新的面部图像数据库. 基于人工智能的面部识别 (AI-FR) 显示出高的诊断准确性,面部复杂性 (dFRI) 影响了性能.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 内分泌学 在内分泌学.
- 代谢综合征是代谢综合征.
背景情况:
- 内分泌和代谢综合征通常伴有微妙或复杂的面部特征.
- 准确和早期诊断对于有效的管理和治疗至关重要.
- 现有的诊断方法可能具有侵入性或缺乏客观可量化的标记.
研究的目的:
- 为多种内分泌和代谢综合征构建一个全面的面部图像数据库.
- 评估基于人工智能的面部识别系统 (AI-FR) 对这些疾病的诊断效果.
- 确定影响AI-FR在诊断这些综合征方面的表现的因素.
主要方法:
- 使用公开文献和数据库的数据构建了一个面部图像数据库,其中包括462例10个综合征和2310个对照病例.
- 疾病面部识别强度 (dFRI) 被计算为量化每个综合征的面部复杂性.
- 使用支持矢量机 (SVM),PCA-KNN和AdaBoost算法训练AI-FR诊断模型,通过最佳疗效和回归分析评估性能.
主要成果:
- 人工智能-FR模型实现了高诊断准确度,根据算法从0.766到0.935不等.
- 较高的dFRI得分与更好的诊断性能显著相关 (较高的AUC,P = 0.035).
- 在训练集大小和诊断性能之间没有发现显著的相关性.
结论:
- 成功建立了10种内分泌和代谢综合征的多民族,多区域和多疾病面部图像数据库.
- AI-FR模型对这些综合征表现出了出色的诊断能力.
- dFRI与诊断性能之间的关联表明,固有的面部特征在AI-FR有效性中起作用.
