面部识别模型用于识别与儿童肺狭窄相关的遗传综合征
Jun-Jun Shen1,2, Qin-Chang Chen2, Yu-Lu Huang2
1Department of Pediatric Surgery, Zhujiang Hospital, Southern Medical University, No. 253, Industrial Avenue Middle, Guangzhou 510282, Guangdong, China.
Postgraduate medical journal
|July 30, 2024
概括
使用预训练基础模型 (PFMs) 的面部识别模型可以准确识别像威廉姆斯-比伦,努南和阿拉吉尔综合征这样的遗传综合征 (GS). 这些人工智能模型在诊断这些疾病时,比儿科医生更准确.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 遗传学 是一个遗传学.
背景情况:
- 威廉姆斯 - 布伦综合征,努南综合征和阿拉吉尔综合征是具有重叠特征的遗传综合征 (GS),使得临床区分具有挑战性.
- 面部手势分析是这些GS的关键诊断工具.
- 预训练的基础模型 (PFMs) 为开发专门的诊断工具提供了一个有希望的方法.
研究的目的:
- 开发和评估面部识别模型,以识别与肺狭窄相关的三种常见遗传综合征 (GS).
- 评估预训练基础模型 (PFMs) 对诊断准确性的影响.
- 为了比较人工智能模型的性能与儿科医生的人类专家诊断.
主要方法:
- 利用了来自有和没有GS的儿童的3297张面部照片的数据集.
- 采用了ResNet-100架构,具有两个损失函数 (ArcFace,CosFace),并结合了PFMs.
- 使用准确度,精度,回忆和F1分数评估模型性能,并与五名儿科医生比较结果.
主要成果:
- 带有PFM和CosFace损失功能的ResNet-100模型实现了最高准确率84.8%.
- 在不同的损失函数中,PFM显著改善了模型性能.
- 与诊断儿科医生相比,人工智能模型显示出更高的准确性和F1得分.
结论:
- 面部识别模型,特别是使用PFM的面部识别模型,显示出在患有肺狭窄症的儿童中改善早期识别常见GS的巨大潜力.
- PFM可以加强对遗传疾病的有效面部识别查工具的开发.
- 这种人工智能驱动的方法可能有助于临床决策和患者管理这些综合征.
