用3D面部点云来诊断营养不良的深度学习框架的开发和评估:一个横截面研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 营养科学 营养科学

背景情况:

• 面部特征可以表明营养不良,但需要统一的诊断工具.
• 现有的方法缺乏整合各种面部指标用于营养不良查.

研究的目的:

• 开发和评估用于营养不良诊断的深度学习框架.
• 使用3D面部点云来准确的营养不良分类.

主要方法:

• 分析了482名患者的队列.
• 使用3D摄像头获得的3D面部数据被处理为点云.
• 该PointNet++深度学习模型被训练并验证为营养不良的分类.

主要成果:

• 该研究确定了150例中度和54例严重营养不良的病例.
• 深度学习模型实现了接收器操作特征曲线下的面积为0.7240 ± 0.0416.

结论:

• 深度学习模型在分类营养不良状态方面表现出有效的表现.
• 3D面部点云数据可以可靠地用于营养不良评估.