研究人員已經(jīng)展示了算法如何幫助識別與遺傳性疾病相關的面部特征，從而加速臨床診斷。在本月發(fā)表在“自然醫(yī)學”雜志上的一項研究中，美國公司FDNA發(fā)布了他們的軟件DeepGestalt的新測試。就像常規(guī)的面部識別軟件一樣，該公司通過分析面部數(shù)據(jù)集來訓練他們的算法。FDNA使用其開發(fā)的名為Face2Gene的智能手機應用程序收集了超過17,000張圖像，涵蓋200種不同的綜合征。
在兩項首次測試中，DeepGestalt用于尋找特定疾病：CorneliadeLange綜合征和Angelman綜合征。這兩者都是影響智力發(fā)展和流動性的必要條件。它們還具有明顯的面部特征，例如在CorneliadeLange綜合征中的拱形眉毛，以及用于Angelman綜合征的異常白皙的皮膚和頭發(fā)。
當負責區(qū)分患有一種或多種綜合征的患者的照片時，DeepGestalt的準確率超過90％，擊敗了專家臨床醫(yī)生，他們在類似的測試中準確率約為70％。當在顯示具有92種不同綜合征的個體的502幅圖像上進行測試時，DeepGestalt在超過90％的時間內在10種可能的診斷中猜測了目標條件。
在一個更具挑戰(zhàn)性的實驗中，該算法顯示了具有Noonan綜合征的個體的圖像，并要求確定五種特定基因突變中的哪一種可能導致它。這里的軟件準確度略低，命中率為64％，但它仍然比專家猜測的20％的速度要好得多。
Gelb還指出，DeepGestalt是在兒童的有限數(shù)據(jù)集上開發(fā)和測試的，并且可能難以識別老年人，由于其中面部特征變得不那么明顯。FDNA工具的第三方研究也提出了一種現(xiàn)象：算法在高加索人身上比非洲人面孔更有效。
“對于某些疾病，它將大大縮短診斷時間。”
AI技術真正價值在于，對于這些極為罕見的疾病，診斷過程可能需要很多年，對于某些疾病，它將大大縮短診斷時間。對于其他人來說，它或許可以增加一種找到其他患有這種疾病的人的手段，從而有助于尋找新的治療方法或治療方法。小編也希望在不久的將來，隨著算法的不斷完善，以及面部傳感器的不斷進步，在不久的將來，面部識別掃描可以成為標準體檢的一部分，也會大大節(jié)省體檢時間與體檢體驗。（來源：環(huán)球速科技）
