评估一种新的包容性下一代合成面部工具,用于形障碍
Ludovic Benichou1,2,3, Luan Breton1,2, Nicolas Garcelon1
1Data Science, Imagine Institute, INSERM UMR1163, Paris, France.
American journal of medical genetics. Part A
|November 6, 2025
概括
使用人工智能生成的合成面部图像可以提高罕见遗传综合征诊断工具的准确性和包容性. 这种方法解决了数据的局限性,特别是对于代表性不足的群体,提高了AI在形学方面的表现.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 遗传学 遗传学 是一个
背景情况:
- 对罕见遗传综合征的面部分析工具面临的准确性局限性是由于小,有偏见的数据集,特别是对于超罕见的疾病和代表性不足的种族.
- 合成面部图像为增强训练数据和促进公平诊断绩效提供了一个潜在的解决方案.
研究的目的:
- 开发和评估使用先进的人工智能模型的合成面部生成管道,以增强罕见遗传综合征诊断.
- 评估合成数据增强对人工智能驱动的表型算法的准确性和包容性的影响.
主要方法:
- 使用扩散模型 (DreamShaper XL Turbo) 创建了一个合成面部生成管道,使用基于LoRA的域调整和用于姿势调节的ControlNet.
- 在10种罕见综合征中产生了4432个合成面孔,根据年龄,性别和种族进行了平衡.
- 在各种机器学习配置中,使用真实和合成数据评估了ArcFace R-100表型算法的性能.
主要成果:
- 合成面部表现出高的表型现实主义,达到0.823的top-1精度和0.991.99的AUC.
- 增加真实训练数据集与合成图像提高了准确度从0.766到0.869和AUC从0.988到0.993.
- 在超罕见综合征和亚洲人群中观察到显著的绩效增长,突出显示了更好的包容性.
结论:
- 扩散生成的合成面部可以提高基于AI的异形学工具的包容性和准确性.
- 合成数据集提供了一种可扩展和道德的方法来克服罕见疾病诊断中的数据稀缺性.
- 这项技术在临床培训,远程医疗和改善服务不足地区的医疗保健方面具有潜在的应用.
