从面部图像中通过人工智能对急性缺血性中风的预诊断识别
Yiyang Wang1,2, Yunyan Ye3, Shengyi Shi3
1Peking-Tsinghua Center for Life Sciences, Academy for Advanced Interdisciplinary Studies, Center for Quantitative Biology (CQB), Peking University, Beijing, China.
Aging cell
|June 7, 2024
概括
一个新的人工智能模型使用面部图像进行快速中风查,实现高精度. 这种人工智能工具有助于在传统成像之前进行预诊断,解决紧急护理的紧急需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 脑卒中对全球健康构成重大风险,特别是在老年人群中,往往导致严重残疾或死亡.
- 目前的CT和MRI等诊断方法耗时且资源密集,延迟了关键性中风检测.
- 现有的AI模型通常依赖于医学成像,限制了资源有限的环境中的快速预诊断.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型,用于使用二维面部图像快速识别中风.
- 评估模型在区分急性缺血性中风患者与对照者的表现.
- 探索AI模型中风概率预测和临床参数之间的相关性.
主要方法:
- 将四个深度学习网络 (Xception,ResNet50,VGG19,EfficientNetb1) 集成到一个单一的CNN模型中.
- 培训和验证使用了185名急性缺血性中风患者和551名对照患者的数据集.
- 在独立数据集上对模型的评估,通过曲线下的面积 (AUC) 评估准确性.
主要成果:
- 综合CNN模型在训练组中实现了0.91的交叉验证AUC.
- 该模型在一个独立的数据集上显示出AUC为0.82,不论年龄和性别.
- 计算中风概率与面部特征,血液凝结指标和白细胞计数相关,预测未来的中风发病率.
结论:
- 使用面部图像的实时AI模型可以有效地选和预诊断中风.
- 这种人工智能方法为紧急情况下提供了一个快速,非侵入性的查工具,补充了传统的成像.
- 该模型显示了将其整合到用于早期中风检测和风险评估的常规监测中的潜力.
