深度学习预测感知年龄是分析面部衰老的可靠方法:原则研究的证明
Conor Turner1, Luba M Pardo2, David A Gunn3
1Interdisciplinary Computing and Complex BioSystems (ICOS) Research Group, School of Computing, Newcastle University, Newcastle upon Tyne, UK.
概括
深度学习算法可以从面部图像中准确估计感知年龄,复制与年龄相关疾病和MC1R基因变异的关联. 这种自动化方法为老龄化研究中手工估计提供了经济有效的替代方案.
科学领域:
- 老年学是一门学科.
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 感知年龄 (PA) 与死亡率,衰老遗传学和与年龄相关的疾病有关.
- 在大群体中估计PA耗费大量资源,阻碍研究.
- 开发自动化PA估计方法对于更广泛的适用性至关重要.
研究的目的:
- 评估深度学习 (DL) 算法,用于从面部图像中估计PA.
- 要确定DL估计的PA是否与人类估计的PA产生与疾病和遗传变异类似的关联.
- 在大规模的衰老研究中评估基于DL的PA估计的有用性.
主要方法:
- 训练并测试了自主监督学习 (SSL) 和深度特征转移 (DFT) DL算法在面部图像和人类估计的PA上,来自荷兰基于人口的研究 (n=2679).
- 将DL估计的PA与人类估计的PA与疾病 (骨质疏松症,ARHL,认知,COPD,白内障) 和MC1R基因变异的已知关联进行比较.
- 在一个独立的队列 (n=1158) 中与MC1R变异的验证关联.
主要成果:
- DL算法实现了准确的PA估计 (平均绝对误差:SSL为2.39年,DFT为2.84年).
- DL估计的PA显示了与骨质疏松症,ARHL,认知,COPD,白内障和MC1R变体的显著关联,反映了人类估计的PA发现.
- 在验证队列中复制了DL估计的PA和MC1R变异之间的关联,证实了强度.
结论:
- 深度学习方法可以从面部图像中准确估计感知年龄.
- 基于DL的PA估计成功地复制了与人类估计的PA发现的关键关联.
- 自动化DL技术为感知年龄研究提供了可扩展和具有成本效益的解决方案,推进了衰老研究.
