一个基于深度学习的集体模型,用于自动化鼻唇折重度分级
Hengqing Cui1, Ziqi Zhang1, Wenjun Zhang2
1Department of Plastic and Cosmetic Surgery, Tongji Hospital, School of Medicine, Tongji University, Shanghai, China.
Aesthetic surgery journal
|August 13, 2025
概括
深度学习模型DeepFold使用纹严重性评分表 (WSRS) 客观地评分鼻唇 (NLF) 的严重性. 这种人工智能工具增强了面部衰老评估和治疗计划,改进了主观的临床评估.
科学领域:
- 医学美学 医学美学
- 皮肤病学中的人工智能
- 计算机视觉用于临床分析.
背景情况:
- 鼻皮 (NLF) 的严重程度是面部衰老的关键标志物,也是美学干预的共同焦点.
- 纹严重性评级表 (WSRS) 是对NLF严重性进行分级的标准临床工具,但受到主观性和观察者之间的变化影响.
研究的目的:
- 开发和验证DeepFold,这是一个基于WSRS的深度学习组合模型,用于基于WSRS的NLF严重程度的自动化,客观和可解释的分级.
- 建立可靠的人工智能驱动的方法来评估NLF严重程度,克服当前主观尺度的局限性.
主要方法:
- 三名整形外科医生使用WSRS策划和注释了6,718张面部图像的数据集.
- 采用了ResNet-50架构,使用三个独立训练的网络中的多数投票组合策略.
- 模型训练利用焦点损失来解决类失衡和早期停止,通过准确性,F1得分和混矩阵分析来评估性能.
主要成果:
- 深层组合模型实现了0.917的验证准确度和0.917的F1得分.
- DeepFold的表现优于个别基线模型,包括ResNet-50 (精度:0.904) 和SeResNet-50 (精度:0.882).
- 合并方法显示预测差异减少,稳定性提高,特别是在阶级不平衡的情况下.
结论:
- DeepFold提供了一种可靠和标准化的方法来评估NLF的严重程度.
- 该模型具有重要的潜在临床价值,用于审美评估,治疗规划和治疗结果监测.
- 使用DeepFold的自动NLF分级可以提高临床实践中的客观性和一致性.
