使用3D面部信息来预测营养不良和随之而来的并发症

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• 阶段角 (PhA) 是身体组成和营养状况的标志物.
• 预测营养不良对于患者的预后至关重要.
• 目前用于营养不良评估的方法可能是侵入性的或耗时的.

研究的目的:

• 研究使用面部图像的深度学习 (DL) 预测PhA诊断的营养不良的可行性.
• 开发和验证用于自动营养不良评估的DL框架.
• 探索PhA和临床结果之间的相关性.

主要方法:

• 开发了一个多式联络DL框架来分析3D面部数据.
• 该框架经过训练,并使用住院患者数据的交叉验证进行验证.
• 主观的全球评估作为营养不良诊断的黄金标准.

主要成果:

• DL模型在预测PhA时实现了0.77的AUC和0.74的准确性.
• 低PhA与更高的感染并发症发生率相关 (P=0.003).
• 该模型在从面部图像中预测PhA类别方面表现良好.

结论:

• 使用DL进行面部图像分析是预测患者PhA的可行方法.
• 这种非侵入性方法可以帮助评估营养不良和预测预后.
• 开发的DL框架为客观的营养状况评估提供了一个有前途的工具.