計(jì)算機(jī)輔助診斷人臉形態(tài)學(xué)疾病研究綜述

郭 靜，宋文愛(ài)，楊吉江，王 青，梁雅琪，雷 毅，高雪梅，李海振

1.中北大學(xué) 軟件學(xué)院，太原030051

2.清華大學(xué) 信息技術(shù)研究院，北京100084

3.北京大學(xué)口腔醫(yī)學(xué)院 口腔醫(yī)院正畸科，北京100081

1 引言

近年來(lái)，人工智能結(jié)合基因檢測(cè)技術(shù)在圖像診斷中的應(yīng)用顯示出其突出的優(yōu)勢(shì)。人臉形態(tài)學(xué)輔助診斷研究是針對(duì)發(fā)生人臉形態(tài)學(xué)變化的患者，對(duì)患者的人臉部圖像進(jìn)行關(guān)鍵點(diǎn)特征提取，接著使用提取到的特征構(gòu)建模型，分步進(jìn)行模型的訓(xùn)練，并與疾病數(shù)據(jù)庫(kù)進(jìn)行比較，評(píng)估和改進(jìn)模型，最終獲得人臉形態(tài)學(xué)輔助診斷系統(tǒng)[1]。除根據(jù)信息進(jìn)行身份驗(yàn)證，廣泛應(yīng)用于經(jīng)濟(jì)、安全、社交等領(lǐng)域外，逐漸進(jìn)入醫(yī)療行業(yè)。使用計(jì)算機(jī)輔助軟件可以幫助高精度的診斷早期疾病，應(yīng)用于一些特殊疾病的輔助診斷，可以縮短疾病診斷期，改善醫(yī)療資源不足的問(wèn)題，在部分研究中其對(duì)疾病的識(shí)別正確率甚至高于相應(yīng)領(lǐng)域的專家。所以，在一些不發(fā)達(dá)地區(qū)和國(guó)家，進(jìn)行非侵入式的計(jì)算機(jī)輔助診斷研究很重要，因?yàn)檫@些地區(qū)的患者缺乏專業(yè)性的醫(yī)護(hù)人員。

生活環(huán)境、遺傳、疾病等因素不僅會(huì)影響人身體的正常運(yùn)轉(zhuǎn)，還會(huì)形成人體外在的變化，包括人臉部、軀體的形態(tài)學(xué)變化。而人臉部的種種特征都可以反應(yīng)人身體的健康狀況，醫(yī)院工作人員可以通過(guò)捕捉人臉形態(tài)特征，對(duì)某些疾病進(jìn)行初步診斷，并在下一步的判斷中起到指導(dǎo)作用。根據(jù)不同的因素，導(dǎo)致人臉形態(tài)變化的疾病分為以下三類。

（1）由生活因素影響造成人臉形態(tài)學(xué)發(fā)生變化：地域、文化和習(xí)俗會(huì)形成不同的人臉形態(tài)學(xué)特征；周圍的環(huán)境會(huì)導(dǎo)致一些精神疾病，從而改變面部的形態(tài)；孩子的不良習(xí)慣如張口呼吸、吐舌等都會(huì)導(dǎo)致牙、頜、面發(fā)育異常，形成突面型、小下頜、地包天等畸形；內(nèi)分泌激素的異常也可能人臉形態(tài)學(xué)上的變化，比如腎上腺皮質(zhì)長(zhǎng)期分泌過(guò)多糖皮質(zhì)激素造成內(nèi)源性庫(kù)欣綜合征，人臉形態(tài)學(xué)表現(xiàn)為脂肪分布異常，該人臉特征被稱為滿月臉；腺垂體分泌生長(zhǎng)激素過(guò)多所致相應(yīng)生理功能異常的肢端肥大征，可出現(xiàn)頭顱及面容寬大，顴骨高，下頜突出，鼻唇和舌肥大等表現(xiàn)。上呼吸道感染能造成鼻炎、咽炎和喉炎，都有可能使得兒童長(zhǎng)時(shí)間張口呼吸，進(jìn)而形成人臉形態(tài)學(xué)上的變化。

（2）由遺傳因素影響造成人臉形態(tài)學(xué)發(fā)生變化：有基因遺傳與染色體變異兩種因素，在國(guó)內(nèi)方面，李玉玲等[1]進(jìn)行了學(xué)齡雙生子兒童人臉特征的遺傳學(xué)分析，發(fā)現(xiàn)基因遺傳因素對(duì)男女頭圍、眼外角間、鼻寬的影響相對(duì)較大。不少遺傳病患者有先天性臉部及全身畸形，如德朗熱綜合征患者和努南綜合征患者。還有由染色體變異因素造成的22q11.2 微缺失綜合征、唐氏綜合征和特納綜合征等。

（3）因腫瘤、器官腫脹、感染、術(shù)后繼發(fā)畸形等疾病造成人臉形態(tài)學(xué)變化：疾病可能導(dǎo)致人臉形態(tài)學(xué)上的特殊變化，比如破傷風(fēng)患者會(huì)出現(xiàn)苦笑面容、柯興氏綜合征患兒會(huì)出現(xiàn)滿月面容、由睡時(shí)上氣道塌陷阻塞引起的呼吸暫停和通氣不足，造成的阻塞性睡眠呼吸暫停低通氣綜合征患兒會(huì)出現(xiàn)腺樣體面容、由第一和第二咽弓的解剖結(jié)構(gòu)不對(duì)引起的半面短小癥先天性顱面畸形等。

2 人臉形態(tài)學(xué)輔助診斷的原理和步驟

2.1 傳統(tǒng)方法

由傳統(tǒng)的人臉形態(tài)學(xué)輔助診斷技術(shù)可知，進(jìn)行醫(yī)學(xué)診斷的一般步驟為：患者的臉部圖像獲取并進(jìn)行圖像預(yù)處理；自動(dòng)或半自動(dòng)進(jìn)行人臉標(biāo)志點(diǎn)的識(shí)別；提取人臉特征數(shù)據(jù)；構(gòu)建模型進(jìn)行分類器分析，還可能通過(guò)不同步驟使用神經(jīng)網(wǎng)絡(luò)或其他技術(shù)。人臉輔助診斷流程圖如圖1所示。主要研究?jī)?nèi)容如下：

（1）在醫(yī)療機(jī)構(gòu)設(shè)置統(tǒng)一的拍攝環(huán)境下，使用統(tǒng)一的設(shè)備采集受試者的標(biāo)準(zhǔn)正面或側(cè)面照片，通過(guò)人臉檢測(cè)技術(shù)，有VJ人臉檢測(cè)器等，將照片中的人臉部分單獨(dú)提取出來(lái)，并對(duì)圖像進(jìn)行灰度歸一化、圖像增強(qiáng)等，保證人臉大小、背景顏色統(tǒng)一，減少圖像陰影影響。

（2）利用人臉?lè)治鲕浖趫D像上標(biāo)記人臉的眼睛、鼻子、嘴巴、眉毛等關(guān)鍵區(qū)域，先手動(dòng)標(biāo)記關(guān)鍵點(diǎn)的位置，然后訓(xùn)練模型自動(dòng)標(biāo)記關(guān)鍵點(diǎn)，常用算法有Face++的68 特征點(diǎn)標(biāo)記。也可以根據(jù)臨床醫(yī)生診斷的特點(diǎn)，增減關(guān)鍵點(diǎn)，可以提高診斷正確率。

（3）人臉特征數(shù)據(jù)一般包括人臉的“質(zhì)地”“幾何”“顏色”等信息。質(zhì)地特征一般用Gabor 小波變化濾波器和局部二值模式對(duì)關(guān)鍵點(diǎn)進(jìn)行提取；幾何特征用幾何函數(shù)計(jì)算關(guān)鍵點(diǎn)間的幾何距離作為特征向量；顏色特征常是對(duì)指定區(qū)域的像素值進(jìn)行操作。

（4）得到測(cè)量數(shù)據(jù)后，構(gòu)建模型進(jìn)行分類器分析，通過(guò)優(yōu)化后的模型代入人臉圖像信息，根據(jù)相似度對(duì)疾病進(jìn)行歸類，得最終的“診斷”。當(dāng)前所得研究中已通過(guò)的診斷分類方法主要有兩種：一是，留一交叉驗(yàn)證，將實(shí)驗(yàn)者的人臉圖像與其余所有圖像（分為疾病組和對(duì)照組）根據(jù)相似度比較區(qū)別；二是，“訓(xùn)練”法，用一定數(shù)量的患者和對(duì)照組的人臉圖像對(duì)軟件進(jìn)行“訓(xùn)練”，構(gòu)建模型，形成模型的分辨力，再用“訓(xùn)練”后的模型對(duì)其他患者及對(duì)照組進(jìn)行區(qū)別。

圖1 人臉形態(tài)學(xué)輔助診斷流程圖

2.2 Face2Gene輔助診斷系統(tǒng)

基于深度學(xué)習(xí)的診斷輔助系統(tǒng)Face2Gene，是一種自動(dòng)檢測(cè)和評(píng)估細(xì)微顱面畸形的分析工具，用于識(shí)別基于2D面部照片的罕見(jiàn)綜合征，利用“格式塔”的聚合，包括對(duì)患者人臉圖像特征的數(shù)據(jù)匯總，從而提出候選綜合征。面部畸形新分析技術(shù)（Facial Dysmorphology Novel Analysis，F(xiàn)DNA）是由FDNA 公司開(kāi)發(fā)的一種人臉圖像疾病診斷方案，圖像分析是基于將數(shù)學(xué)函數(shù)半自動(dòng)放置在相關(guān)面部結(jié)構(gòu)上的節(jié)點(diǎn)網(wǎng)格。這些函數(shù)通過(guò)使用Gabor小波變換（特征向量）評(píng)估節(jié)點(diǎn)距離和節(jié)點(diǎn)周圍的圖像紋理來(lái)評(píng)估幾何形狀。使用最大似然分類器對(duì)受試者進(jìn)行訓(xùn)練，評(píng)估數(shù)據(jù)庫(kù)中的任何一組（對(duì)照組受試者與患者）的相似性?？傮w分類精度采用十字交叉驗(yàn)證法計(jì)算，它將計(jì)算性人臉形態(tài)學(xué)識(shí)別與臨床知識(shí)庫(kù)[3]相結(jié)合，并在Face2Gene 應(yīng)用程序中實(shí)現(xiàn)。Gurovich 等[4]訓(xùn)練了成千上萬(wàn)的患者圖像，并用于量化基于無(wú)約束二維圖像的數(shù)百種遺傳綜合癥的相似性，直接使用DCNNs進(jìn)行分類，并基于來(lái)自相鄰域的知識(shí)轉(zhuǎn)移模型的人臉識(shí)別框架deep gestalt，首先用深度格式塔識(shí)別二維人臉圖像，然后進(jìn)行人臉亞區(qū)域檢測(cè)，利用DCNN 提取亞區(qū)域特征，最后利用特征融合建立數(shù)值信息，稱為“格式塔”。2014年，F(xiàn)erry等[5]使用該方法從普通的非臨床照片中提取表型信息，并使用機(jī)器學(xué)習(xí)在一個(gè)多維的“臨床面部顯型空間”中模擬人類面部畸形。為通過(guò)功能遺傳途徑比較臨床測(cè)序數(shù)據(jù)、推斷致病基因變異提供了一種新的方法。

Face2Gene 被用來(lái)評(píng)估顱面表型的綜合癥，Zarate等[6]研究了72例SATB2相關(guān)綜合征患者的基因型-表型相關(guān)性，SATB2相關(guān)綜合征（SAS）的人臉形態(tài)學(xué)變化為上顎異常（裂或高拱），牙齒異常（擁擠、巨大齒、形狀異常）；Amudhavalli 等[7]研究了一種常染色體顯性遺傳的多系統(tǒng)疾病Aym_e-Gripp 綜合征（AGS），使用2D 照片的自動(dòng)人臉?lè)治霰容^唐氏綜合癥患者人臉形態(tài)表現(xiàn)型，在兩個(gè)獨(dú)立的實(shí)驗(yàn)中，準(zhǔn)確率分別為86.86%和89.05%；Knaus 等[8]研究了一種糖基磷脂酰肌醇生物合成缺陷（GPIBDs）可導(dǎo)致的一組具有智力缺陷的表型重疊隱性綜合征，分析了計(jì)算機(jī)輔助面部格式塔在91 例患者中的表現(xiàn)；Martinez-Monseny等[9]，研究了一種磷酸酶-2缺乏（PMM2-CDG）綜合征，它與可識(shí)別的人臉形態(tài)學(xué)模式相關(guān)，這種疾病沒(méi)有早期嚴(yán)重程度的預(yù)測(cè)因子，因此研究者通過(guò)對(duì)畸形特征（Dysmfeatures，DFs）的評(píng)估，創(chuàng)建了一個(gè)簡(jiǎn)單的分類，說(shuō)明人臉形態(tài)學(xué)和數(shù)字分析可以幫助醫(yī)生更快地診斷PMM2-CDG；Mishima等[10]利用日本先天性畸形綜合征患者的人臉形態(tài)學(xué)圖像評(píng)價(jià)face2Gene，使用從日本招募的兩個(gè)患者組對(duì)face2Gene進(jìn)行評(píng)估，表明該技術(shù)已經(jīng)可以利用日本的先天性畸形綜合征患者，向臨床遺傳學(xué)家推薦候選綜合征。

3 人臉形態(tài)學(xué)輔助診斷技術(shù)在醫(yī)學(xué)上的應(yīng)用

3.1 生活因素影響造成疾病

生活、工作等環(huán)境經(jīng)常會(huì)給人們?cè)斐删?，生理，心理等一系列?wèn)題，而這些因素通常會(huì)使得人們形成相似性的人臉形態(tài)學(xué)特征，精神不濟(jì)和身體發(fā)育不良的癥狀，包括面容消瘦、頭顱寬大、皮膚粗糙、色素沉著、鼻唇和舌肥大等。計(jì)算機(jī)輔助診斷傳統(tǒng)研究通常對(duì)受試者的人臉圖像經(jīng)過(guò)預(yù)處理，然后提取全局或局部人臉部特征，將提取到的特征導(dǎo)入FIDA（Facial Image Diagnostic Aid）系統(tǒng)，用留一交叉驗(yàn)證得到實(shí)驗(yàn)評(píng)估結(jié)果。對(duì)于一些涉及精神類的疾病，則通過(guò)視頻等構(gòu)建模型，利用深度學(xué)習(xí)等方法進(jìn)行研究。國(guó)內(nèi)已有學(xué)者對(duì)不同地區(qū)、不同民族的成人臉部形態(tài)學(xué)發(fā)育特征進(jìn)行了較為詳細(xì)的調(diào)查。例如，宇克莉等[11]發(fā)現(xiàn)中國(guó)南、北方漢族頭面部形態(tài)學(xué)特征存在差異，南方漢族人整體呈現(xiàn)頭較窄，兩眼間距離較小，鼻較長(zhǎng)，唇較厚。

另有研究分別針對(duì)抑郁癥、中醫(yī)精神疾病、胎兒酒精譜系障礙、庫(kù)欣綜合征、肢端肥大征、慢性疲勞綜合征的患者面部進(jìn)行了形態(tài)學(xué)識(shí)別，具體介紹如下。

3.1.1 抑郁癥

又稱抑郁障礙，主要臨床特征為顯著而持久的心境低落。迄今，心理、社會(huì)環(huán)境等都可能作為抑郁癥的病因。2015年，Wen等[12]構(gòu)建了基于視覺(jué)的自動(dòng)識(shí)別抑郁癥框架，利用稀疏編碼隱式組織提取的特征描述符進(jìn)行抑郁診斷。2018年，Zhu等[13]提出了一種基于DCNN的抑郁癥識(shí)別新方法，設(shè)計(jì)了一個(gè)雙蒸汽框架的動(dòng)態(tài)模型，分別以面部圖像和面部動(dòng)力學(xué)作為輸入來(lái)建模凹陷信息，并構(gòu)建聯(lián)合調(diào)諧層。在AVEC2013數(shù)據(jù)庫(kù)對(duì)抑郁癥識(shí)別結(jié)果，如表1所示，AVEC2014數(shù)據(jù)庫(kù)對(duì)抑郁癥識(shí)別結(jié)果，如表2 所示，進(jìn)行比較后發(fā)現(xiàn)基于深度卷積神經(jīng)網(wǎng)絡(luò)的抑郁癥分析具有更高的性能。

表1 不同方法在AVEC2013上的抑郁癥識(shí)別結(jié)果比較

表2 不同方法在AVEC2014上的抑郁癥識(shí)別結(jié)果比較

3.1.2 中醫(yī)精神疾病

2014 年，Sun 等[14]提出了一種基于特征的中醫(yī)精神疾病自動(dòng)定量特征分類系統(tǒng)，該疾病傳統(tǒng)的診斷方法主要是基于中醫(yī)的觀察和他們的個(gè)人經(jīng)驗(yàn)。該研究收集了126名參與者信息，進(jìn)行數(shù)據(jù)挖掘后，建立分類模型，通過(guò)交叉驗(yàn)證，決策樹(shù)的計(jì)算精度為92.0%。BP神經(jīng)網(wǎng)絡(luò)的計(jì)算精度為94.667%。支持向量機(jī)的分類精度為96.296%，得出了使用支持向量機(jī)分類模型對(duì)于該項(xiàng)疾病的診斷更有效。

3.1.3 胎兒酒精譜系障礙

胎兒酒精譜系障礙被公認(rèn)為導(dǎo)致胎兒缺陷與兒童發(fā)育遲滯的主要原因之一，其人臉形態(tài)學(xué)特征包括眼瞼裂短、人中平以及上唇薄等。2017 年，Valentine 等[15]使用人臉畸形新分析技術(shù)對(duì)該疾病患者進(jìn)行面部分析，受試者操作特征曲線下的區(qū)域顯示，與臨床工作者相比，計(jì)算機(jī)輔助診斷更有效地識(shí)別酒精相關(guān)的神經(jīng)發(fā)育障礙（ARND）病例。對(duì)ARND 患者的面部格式塔分析也發(fā)現(xiàn)，與更嚴(yán)重的FASD 患者的主要面部特征相比，前者具有更普遍的面部特征。

3.1.4 庫(kù)欣綜合征

2013 年，Kosilek 等[16]運(yùn)用人臉形態(tài)學(xué)診斷技術(shù)對(duì)20例庫(kù)欣綜合征患者和40例健康人群的面部圖像進(jìn)行識(shí)別，通過(guò)預(yù)處理人臉圖像并提取紋理特征與幾何特征，最后導(dǎo)入系統(tǒng)FIDA，整體分類準(zhǔn)確度達(dá)到了91.7%，用留一交叉驗(yàn)證法得到分類準(zhǔn)確度為85%。

3.1.5 慢性疲勞綜合征

2015 年，Chen 等[17]根據(jù)中醫(yī)對(duì)慢性疲勞綜合征（Chronic Fatigue Syndrome，CFS）患者的臨床觀察，發(fā)現(xiàn)患者前額、下眼瞼、臉頰、鼻子和嘴的輪廓表現(xiàn)出特征性的疾病特點(diǎn)，因此提出了一種計(jì)算機(jī)輔助無(wú)創(chuàng)診斷CFS的混合外觀特征提取與處理方法。HA特征由不同面部區(qū)域的顏色、質(zhì)地和形狀特征組成?；谙嗤腍A特征和評(píng)分級(jí)融合方法，比較了主成分分析（Principal Component Analysis，PCA）[18]、局域保留投影（Locality-Preservation Projection，LPP）[19]和流形保留投影（Manifold Preservation Projection，MPP）在測(cè)試集上的表現(xiàn)，采用PCA，降低了模型的維數(shù)，提高了模型的識(shí)別能力，但不能保留數(shù)據(jù)的非線性結(jié)構(gòu)。LPP 具有較強(qiáng)的流形學(xué)習(xí)能力，因此可以很好地保持圖像的非線性結(jié)構(gòu)，但并不能維持面部的整體流形結(jié)構(gòu)，而Zhang等人[20]提出的MPP，將數(shù)據(jù)的非局部性信息納入局部性保留投影的目標(biāo)函數(shù)中，保留了數(shù)據(jù)流形的局部和全局結(jié)構(gòu)，并采用gramm-schmidt 正交化方法解決了LPP 的非正交問(wèn)題，消除了Gabor 特征的冗余，最后提取出了有效的面部疲勞特征，接著采用Lin 等人[21]提出的兩階段融合方案進(jìn)行多模態(tài)面部特征融合。實(shí)驗(yàn)結(jié)果，如表3 所示，這種HA-MPP-ADA 方法，在CFS 預(yù)測(cè)中比其他兩種方法更有優(yōu)勢(shì)。

3.1.6 肢端肥大征

2011 年，Schneider 等[22]研究者募集了57 位肢端肥大癥患者，根據(jù)疾病研究程度分成輕度、中度和重度，通過(guò)預(yù)處理圖像、Gabor jet 相似度函數(shù)提取圖像紋理特征、定位點(diǎn)的距離提取圖像幾何特征，最后導(dǎo)入系統(tǒng)FIDA，用留一交叉驗(yàn)證進(jìn)行評(píng)估，結(jié)果顯示71.9%的肢端肥大癥患者和91.5%的對(duì)照者被該軟件正確分類，醫(yī)學(xué)專家對(duì)患者和對(duì)照者的正確視覺(jué)分類率都要低10%左右，而普通內(nèi)科醫(yī)生的分類率明顯更低。2017 年，Kong 等[23]使用Opencv 檢測(cè)人臉邊框，提取出作為臨床潛在指標(biāo)的人臉地標(biāo)位置，采用前視化的方法綜合正面的視圖來(lái)提高性能。訓(xùn)練并整合了廣義線性模型（LM）、k-鄰近（KNN）、支持向量機(jī)（SVM）、隨機(jī)森林（RT）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），創(chuàng)建了一種用于肢端肥大癥面部檢測(cè)的集成方法（EM），提取面部標(biāo)志物，合成正面人臉。訓(xùn)練后的模型使用單獨(dú)的數(shù)據(jù)集進(jìn)行評(píng)估，結(jié)果如表4所示。在面部標(biāo)志物位置上，支持向量機(jī)的工作效果最好，PPV（陽(yáng)性預(yù)測(cè)值）為95%，NPV（陰性預(yù)測(cè)值）為88%，敏感性為86%，特異性為96%；在檢測(cè)到的面部照片中，CNN 表現(xiàn)較好，在人臉正面化后，性能進(jìn)一步提高，PPV 為96%，NPV 為92%，敏感性為91%，特異性為96%，CNN 的準(zhǔn)確度遠(yuǎn)高于SVM 訓(xùn)練的手工特征，表明深層神經(jīng)網(wǎng)絡(luò)能夠以分層的方式產(chǎn)生概念抽象，從而顯示出自動(dòng)提取底層特征的能力；集成方法結(jié)果最佳，PPV 為96%，NPV 為95%，敏感性為96%，特異性為96%。

表3 不同方法在訓(xùn)練集和測(cè)試集的實(shí)驗(yàn)結(jié)果 %

表4 評(píng)價(jià)不同方法的特異性和敏感性 %

2017年，Shukla等[24]提出了一種從面部圖像中檢測(cè)發(fā)育障礙的新框架。發(fā)育障礙是一種慢性疾病，包括自閉癥譜系障礙、腦性麻痹、胎兒酒精綜合癥、唐氏綜合癥、智力障礙和早衰癥等一系列疾病，會(huì)嚴(yán)重影響人的正常生活。該框架采用DCNN對(duì)人臉特征進(jìn)行提取，并使用大量數(shù)據(jù)將該方法與類似模型的準(zhǔn)確性進(jìn)行了比較。該模型的準(zhǔn)確度達(dá)到了98.80%，如表5 所示，優(yōu)于所有手工標(biāo)記的特征分類器模型。

表5 分類器方法比較 %

3.1.7 總結(jié)

經(jīng)過(guò)對(duì)上述研究分析可知，針對(duì)于生活因素造成疾病的分類檢測(cè)，由DCNN 構(gòu)建的模型，在經(jīng)過(guò)大量數(shù)據(jù)訓(xùn)練后，準(zhǔn)確率最高；針對(duì)單項(xiàng)疾病的診斷，使用FIDA系統(tǒng)的準(zhǔn)確率要高于醫(yī)學(xué)專家和普通的內(nèi)科醫(yī)生；而對(duì)于一些特殊的疾病，根據(jù)其人臉形態(tài)學(xué)上的獨(dú)特特征，可以采取一些類似于流行保留投影方法來(lái)降低Gabor特征維度，使準(zhǔn)確率變得更高；還可以通過(guò)整合不同的經(jīng)典分類器的優(yōu)點(diǎn)，形成一種集成分類器，準(zhǔn)確率優(yōu)于其他，并且可以再在其他疾病上進(jìn)行試驗(yàn)，證明其是否對(duì)其他疾病具有通用的效果。

3.2 遺傳因素造成疾病

醫(yī)學(xué)遺傳學(xué)家的目標(biāo)是在進(jìn)行細(xì)胞學(xué)或分子分析之前，根據(jù)人臉形態(tài)學(xué)特征對(duì)潛在的證候進(jìn)行預(yù)診斷，生物相關(guān)綜合征存在明顯的臨床重疊[25]，相同基因造成的疾病具有相似的人臉形態(tài)學(xué)特征。因此，常利用造成該疾病的基因，進(jìn)行人臉形態(tài)學(xué)的表型研究，多運(yùn)用深度學(xué)習(xí)的方法，也有部分運(yùn)用傳統(tǒng)方法提取局部特征進(jìn)行研究。遺傳綜合征影響了8%的人口[26]，對(duì)患者和社會(huì)的影響嚴(yán)重，因此，在患者到達(dá)醫(yī)院進(jìn)行正式診斷前給予早期預(yù)警具有重要意義。

3.2.1 基因遺傳

2019 年，文獻(xiàn)[27]使用模擬人臉畸形的分析算法，從3 個(gè)新的智力殘疾基因（PACS1、PPM1D 和PHIP）中包含致病變體的智力殘疾患者照片中提取臉部特征。將提取的關(guān)鍵特征合并到一個(gè)混合模型中，并使用Koolen-de Vries綜合征患者的圖像來(lái)驗(yàn)證模型，結(jié)果表明在PACS1、PPM1D和PHIP中具有致病變異的個(gè)體存在面部格式。Tu等[28]從三維人臉的正面、左側(cè)和右側(cè)3個(gè)方向研究形態(tài)學(xué)變化。通過(guò)三維可變形模型估計(jì)三維人臉形狀，計(jì)算面部變形測(cè)量值。三維重建人臉計(jì)算出的幾何特征在檢測(cè)遺傳綜合征相關(guān)面部畸形的準(zhǔn)確性為73%，而使用最先進(jìn)的方法從二維圖像中獲得的正確率為58%。當(dāng)加入局部紋理信息時(shí)，準(zhǔn)確率提高到96%。2019 年，Pascolini等[29]發(fā)現(xiàn)在智力殘疾綜合征中，染色質(zhì)重塑發(fā)育障礙（Developmental Disorders of Chromatin Remodeling，DDCRs）是一類因染色質(zhì)重塑異常而導(dǎo)致的以特征性面孔和可變認(rèn)知障礙為特征的畸形障礙。使用深度格式塔技術(shù)，對(duì)120個(gè)含有組蛋白酶基因編碼變異的個(gè)體進(jìn)行了表型研究。最后的研究結(jié)果表明，這類疾病具有明顯的異型性，從而導(dǎo)致疾病的發(fā)生。

同時(shí)，根據(jù)遺傳綜合征診斷的數(shù)目，研究可分為單一綜合征患者與正常人的判別診斷和多種綜合征中識(shí)別出某種綜合征的患者。

（1）單一遺傳綜合征的診斷研究

德朗熱綜合征（Cornelia de Lange Syndrome，CdLS）為常染色體顯性遺傳，人臉形態(tài)學(xué)表現(xiàn)為：弓形眉、短鼻、鼻孔前傾、長(zhǎng)人中、上唇薄等特征。CdLS 的患病人群中，有60%由NPBL 基因突變導(dǎo)致。2020 年，Latorre-Pellicer 等[30]對(duì)49 名已知CdLS 基因中存在致病變異的個(gè)體進(jìn)行了人臉表型研究，結(jié)果表明，臨床經(jīng)典表型和受影響的基因之間存在相關(guān)性。努南綜合征（Noonan Syndrome，NS）為常染色體顯性/隱性遺傳，患者人臉形態(tài)學(xué)特征包括前額寬闊、眼瞼下垂、眼距寬、鼻梁低平、小下頜、低耳位等，且患病時(shí)間越長(zhǎng)，特殊面容會(huì)逐漸趨于正常，因此早期識(shí)別診斷和及時(shí)干預(yù)該疾病極為重要。2019年，Li等[31]研究者利用人工智能描述了與基因相關(guān)的NS 的面部特征，該研究鑒定了103 例中國(guó)患者中8 個(gè)NS 相關(guān)基因的致病變異，而基因相關(guān)的面部表征表明，每個(gè)基因都和不同的面部細(xì)節(jié)相關(guān)。X連鎖少汗性外胚層發(fā)育不良（X-Linked Hypohidrotic Ectodermal Dysplasia，XLHED）是一種影響外胚層結(jié)構(gòu)的遺傳性疾病，表現(xiàn)為特征性的人臉形態(tài)學(xué)外觀。

2016年，Basel-Vanagaite等[32]用FDNA技術(shù)對(duì)CdLS患者進(jìn)行識(shí)別，其正確識(shí)別率為87%。將患者按不同的基因突變因素分類再次訓(xùn)練模型，其對(duì)CdLS 患者的檢測(cè)率增加到94%。2017 年，Kruszka 等[25]使用來(lái)自20 個(gè)國(guó)家的NS 患兒的圖像作為標(biāo)注樣本量，通過(guò)FDNA 技術(shù)對(duì)NS 患者進(jìn)行識(shí)別，發(fā)現(xiàn)敏感性為94%，特異性為90%。2017 年，Hadj-Rabia 等[33]研究了FDNA 技術(shù)從XLHED 患者面部圖像中檢測(cè)表現(xiàn)型的能力，該系統(tǒng)檢測(cè)到該疾病在所有經(jīng)基因確認(rèn)的所有年齡的男性患者和55%的雜合子女性患者中是最有可能的診斷。這些研究表明，F(xiàn)DNA技術(shù)可以支持臨床醫(yī)生對(duì)于這些疾病做出準(zhǔn)確診斷，遺傳學(xué)知識(shí)與人工智能相結(jié)合可以達(dá)到更佳的診療效果。

（2）多種遺傳綜合征中的精確疾病診斷

Loos 等[34]研究者使用55 名涉及黏多糖病類型III、德朗熱、脆性X、Prader-Willi、Williams-Beuren 綜合癥的患者面部圖像提取其面容特征建立各綜合征特定面部模型，76%的患者被正確分類，高于臨床專家62%的準(zhǔn)確識(shí)別率。該研究表明一種綜合征的面部特征可以被塑造成特定的面部模式，并且這些模式可以通過(guò)數(shù)學(xué)工具進(jìn)行比較。這一成果為分析面部“格式塔”的遺傳變異提供了定量的基礎(chǔ)。2006 年，Boehringer 等[35]研究分析了10 種綜合征的識(shí)別情況，基于計(jì)算機(jī)的診斷分類準(zhǔn)確率可以超過(guò)75%，與之前的研究中5 個(gè)證候的分類準(zhǔn)確率相同。對(duì)證候的兩兩鑒別范圍為80%～99%，并在2011年[36]調(diào)查了統(tǒng)計(jì)分類器對(duì)研究數(shù)據(jù)（包括202名受14 種綜合征之一影響的患者）的分類能力。2016年，Gripp等[3]研究者應(yīng)用外顯子組分析確定了許多智力障礙綜合征的遺傳基礎(chǔ)。以Nicolaides-Baraitser和Coffin-Siris綜合征為例，使用基于FDNA技術(shù)的Face2Gene臉部分析軟件，以識(shí)別畸形特征并評(píng)估與已知面部模式（格式塔）的相似性。2017 年，Liehr 等[37]使用FDNA 技術(shù)，從2D面部照片中自動(dòng)識(shí)別Emanuel（ES）和Pallister-Killian（PKS）綜合征與其他SSMCS 患者的相關(guān)面部表型，最佳分割正確率為92.8%。2018年，Pantel等[38]選擇了有溶酶體貯藏病、粘脂沉積病、粘多糖沉積病的I型和II 型、Smith-Lemli-Opitz 綜合征或Nicolaies-Baraitser 綜合征這5種疾病的289名患者訓(xùn)練分類器，在Face2Gene的研究應(yīng)用程序進(jìn)行實(shí)驗(yàn)，達(dá)到平均準(zhǔn)確率為62%。上述研究表明，F(xiàn)DNA 技術(shù)的數(shù)據(jù)可以補(bǔ)充臨床表型總結(jié)，提供獨(dú)立于臨床醫(yī)生個(gè)人經(jīng)驗(yàn)和偏見(jiàn)的數(shù)據(jù)。

2004 年，Hammond 等[39]研究者首次運(yùn)用三維面部圖像分析方法對(duì)NS和Velo-Cardio-Facial綜合癥患者進(jìn)行檢測(cè)。選用最接近均值、C5.0決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、邏輯回歸和支持向量機(jī)的模式識(shí)別算法。在對(duì)努南綜合征患者和Velo-Cardio-Facial綜合征患者的比較中，兩種綜合征的敏感性和特異性均達(dá)到95%，如表6所示。

表6 交叉驗(yàn)證的平均敏感性和特異性%

2014 年，Kuru 等[40]提出視覺(jué)診斷決策支持系統(tǒng)（Visual Diagnostic Decision Support System，VDDSS），將機(jī)器學(xué)習(xí)算法和數(shù)字圖像處理技術(shù)應(yīng)用于醫(yī)學(xué)遺傳學(xué)的自動(dòng)化診斷。該方法利用參考圖像的人臉形態(tài)學(xué)特征來(lái)識(shí)別視覺(jué)基因型與人臉形態(tài)學(xué)表現(xiàn)型的相互關(guān)系。采用15種不同的證候的留一交叉驗(yàn)證方案進(jìn)行試驗(yàn)，自動(dòng)診斷技術(shù)的準(zhǔn)確度為83%。說(shuō)明大量具有特征面部異常模式的綜合征可以通過(guò)與本研究相似的診斷性DSS進(jìn)行診斷。

2016年，Cerrolaza等[41]結(jié)合幾何特征和標(biāo)記點(diǎn)的紋理特征對(duì)0至3歲的孩子的15種遺傳綜合癥（包括唐氏綜合癥、胎兒酒精譜系障礙、克氏綜合征等）進(jìn)行人臉形態(tài)學(xué)輔助診斷。使用普氏分析法進(jìn)行圖像預(yù)處理，利用曲線下最大面積（AUC）準(zhǔn)則，選擇得到預(yù)測(cè)特征的最優(yōu)子集，最后采用徑向基核支持向量機(jī)、線性支持向量機(jī)和線性判別分析3 種不同的分類器對(duì)該方法進(jìn)行了評(píng)估，并采用了交叉驗(yàn)證方法，徑向基核支持向量機(jī)分類器準(zhǔn)確度能達(dá)到95%，如表7所示。

表7 分類器的性能比較

2018 年，?zdemir 等[42]根據(jù)以往的研究文獻(xiàn)發(fā)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)的分類器，當(dāng)綜合征增加時(shí)識(shí)別率會(huì)變低，因此提出了一個(gè)基于人工神經(jīng)網(wǎng)絡(luò)的分級(jí)決策樹(shù)模型，并且與KNN和人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行了對(duì)比。通過(guò)對(duì)五種綜合征（染色體脆弱癥、賀勒氏綜合征、普瑞德威利綜合癥、唐氏綜合征、狼赫氏綜合征）的測(cè)試，得到了86.7%的結(jié)果，如表8所示。

表8 KNN、ANN、分級(jí)決策樹(shù)與臨床專家的分類結(jié)果

2018年，Gurovich等[43]在大規(guī)模的不同疾病癥狀圖像數(shù)據(jù)庫(kù)上訓(xùn)練DCNN，形成一個(gè)一般的面部模型，然后針對(duì)性的用小的表型數(shù)據(jù)集對(duì)每個(gè)區(qū)域的DCNN 模型進(jìn)行微調(diào)。將Keras 和TensorFlow 作為后端，形成了3種模型：一個(gè)二元模型——通過(guò)訓(xùn)練來(lái)識(shí)別一個(gè)單一的綜合征，在對(duì)CdLS疾病的診斷中，DeepGestalt方法準(zhǔn)確度為96.88%，高于Rohatgi 等[44]取得的75%的準(zhǔn)確度和Basel-Vanagaite 等[32]87%的準(zhǔn)確度，在對(duì)Angelman綜合征的診斷中，DeepGestalt 方法準(zhǔn)確度為92%，高于Bird等[45]取得的71%的準(zhǔn)確度；專門(mén)的格式塔模型——識(shí)別與努南綜合征相關(guān)的5個(gè)基因的正確面部表型；多類格式塔模型——對(duì)不同綜合征進(jìn)行分類，達(dá)到91%的準(zhǔn)確度。

3.2.2 遺傳變異

染色體異常遺傳病是先天性心臟病、智能發(fā)育不全等的重要原因之一，在新生兒中發(fā)病率約1%。其中具有代表性的染色體異常遺傳病如下所示。

（1）Down綜合征

Down 綜合征是因21 號(hào)染色體異常，導(dǎo)致的最常見(jiàn)的一種常染色體異常性疾病[46]?；颊咄ǔＶ橇Φ拖拢邢忍煨孕呐K病，會(huì)出現(xiàn)包括小頭畸形、面圓而扁平、寬眼距、低鼻梁、內(nèi)眥贅皮、伸舌及眼角上斜等的特殊面容[47]，2011 年，Bur?in 等[48]使用局部二值模式方法進(jìn)行特征提取，分類采用歐氏距離法和經(jīng)過(guò)改變的曼哈頓距離法。經(jīng)過(guò)改變的曼哈頓距離法可以將系統(tǒng)成功率由89.7%：提高至95.3%。2012 年，Saraydemir等[49]對(duì)1 至12 歲的兒童人臉圖像進(jìn)行標(biāo)準(zhǔn)化處理，然后使用Gabor 小波變換進(jìn)行特征提取。利用線性判別分析方法推導(dǎo)出了最有價(jià)值信息的新維數(shù)。最后用KNN 和線性支持向量機(jī)進(jìn)行分類，最佳結(jié)果的準(zhǔn)確度為97.34%。

2013 年，Zhao 等[50]利用約束局部模型定位人臉標(biāo)志，提取基于局部二值模式的幾何特征和紋理特征，在特征選擇后，采用多個(gè)分類器對(duì)唐氏綜合征與正常病例進(jìn)行分類。結(jié)果表明，在局部紋理特征優(yōu)于幾何特征的情況下，采用基于RBF核的支持向量機(jī)作為分類器，準(zhǔn)確度達(dá)到94.6%，并且具有較高的召回率。在臨床環(huán)境中，95.5%的高召回率是可取的，因?yàn)樽鳛楹Y查工具，應(yīng)該盡可能少地漏掉綜合征。結(jié)果證明了該技術(shù)分析高度可變的數(shù)據(jù)的魯棒性，可以繼續(xù)研究包括側(cè)視圖圖像的特征，并研究更有效的特征融合方法。在2014年，文獻(xiàn)[51]提出了一種基于獨(dú)立分量分析（ICA）的分級(jí)約束局部模型（HCLM）。用基于熵的非參數(shù)數(shù)據(jù)驅(qū)動(dòng)獨(dú)立分量排序的局部建模能力，可以得到最佳選擇和分類性能，模型的層次結(jié)構(gòu)通過(guò)將不同的模型分別對(duì)不同的組進(jìn)行擬合，提高了地標(biāo)檢測(cè)的準(zhǔn)確性。提取了基于局部二值模式和Gabor 小波變換的幾何特征和局部紋理特征來(lái)描述唐氏綜合征與健康人群的人臉形態(tài)學(xué)變化。通過(guò)特征融合和選擇，訓(xùn)練支持向量機(jī)（包括線性基函數(shù)核和徑向基函數(shù)核）、k-近鄰（KNN）、隨機(jī)森林（RF）和線性判別分析（LDA）等分類器識(shí)別唐氏綜合征病例，獲得最高的準(zhǔn)確度96.7%。如表9所示，結(jié)果表明，通過(guò)LDA 對(duì)整合后的特征進(jìn)行分類性能較好，可擴(kuò)展到其他遺傳綜合征的檢測(cè)。

表9 不同的特征和分類器進(jìn)行唐氏綜合征檢測(cè)的準(zhǔn)確度 %

接著提出了一種基于集成學(xué)習(xí)面部分析唐氏綜合癥的計(jì)算機(jī)輔助診斷系統(tǒng)[52]。首先基于自動(dòng)定位的人臉地標(biāo)提取幾何特征和紋理特征，進(jìn)行特征融合和選擇，然后采用多分類器（即支持向量機(jī)、隨機(jī)森林和線性判別分析）對(duì)唐氏綜合征患者進(jìn)行識(shí)別。通過(guò)集成學(xué)習(xí)方法（包括多數(shù)投票MV、集成分類器PFM、均值規(guī)則Mean、中值規(guī)則Median和最大值規(guī)則Max）從不同的分類器中獲取共享的和互補(bǔ)的信息，最優(yōu)地組合這些分類器的輸出，最終實(shí)現(xiàn)準(zhǔn)確可靠的決策。采用基于徑向基函數(shù)和線性核函數(shù)的支持向量機(jī)進(jìn)行分類，在單個(gè)分類器中效果最佳。集成學(xué)習(xí)的誤分類率降低了19.5%，優(yōu)于最優(yōu)個(gè)體分類器。

2018年，Dima等[53]測(cè)試了4種用于唐氏綜合征數(shù)字圖像識(shí)別的特征提取方法：經(jīng)典的局部二值模式（LBP）方法；離散小波變換（DWT）與LBP的結(jié)合；以AT&T為特征面提供者的特征面投影方法；對(duì)AT&T的LBP特征主成分的投影方法。用三度多項(xiàng)式核SVM 作為分類器，在噪聲存在的情況下，投影方法是最好的（尤其是AT&T 人臉的LBP 主成分上的投影），其次是DWT 與LBP的結(jié)合。對(duì)于投影方法，可以進(jìn)一步測(cè)試建立特征面或主成分的數(shù)據(jù)集的影響。

2017年，Lumaka等[54]應(yīng)用FDNA face2Gene解決方案來(lái)評(píng)估唐氏綜合征（DS）面部識(shí)別，發(fā)現(xiàn)Face2Gene對(duì)白種人DS的識(shí)別率（80%）高于非洲人（36.8%），用一組非洲D(zhuǎn)S 和非DS 的照片訓(xùn)練了face2Gene，非洲人的認(rèn)可度上升到94.7%。2018 年，Vorravanpreecha 等[55]使用Face2Gene 工具，測(cè)試患有唐氏綜合癥（DS）的泰國(guó)兒童與沒(méi)有患有唐氏綜合癥（non-DS）的泰國(guó)兒童的識(shí)別概率，得到87.2%的特異性，準(zhǔn)確度為89%。2016 年，Kruszka 等[56]以來(lái)自13 個(gè)國(guó)家不同種族的DS 患兒的照片和臨床資料作為標(biāo)注樣本量建立檢測(cè)模型，結(jié)果顯示，臨床特征在不同種族（非洲人、亞洲人、拉丁美洲人）中存在差異，包括出現(xiàn)短頭畸形、耳畸形、側(cè)手畸形、涼鞋間隙、頸部皮膚豐富等，其DS 檢出準(zhǔn)確度為94.3%。人臉檢測(cè)技術(shù)用于Down 綜合征患者檢測(cè)的相關(guān)文獻(xiàn)總結(jié)，如表10所示。

表10 相關(guān)文獻(xiàn)研究總結(jié) %

（2）22q11.2微缺失綜合征

22q11.2 微缺失綜合征是因22q11.2 雜合缺失導(dǎo)致的一種常見(jiàn)的常染色體變異疾病，患者會(huì)有先天性心臟病、免疫缺陷、甲狀旁腺發(fā)育不良、腭裂等狀況[57]，會(huì)出現(xiàn)小眼、眼距寬、鼻根狹小、鼻翼小、唇薄、小下頜、低耳位和耳廓異常等特殊面容[58]。2012年，Wilamowska等[59]運(yùn)用3D 成像技術(shù)建立22q11.2 缺失綜合征的頭面部網(wǎng)格圖像模型，自動(dòng)生成新的全局和局部數(shù)據(jù)，魯棒自動(dòng)放置人體測(cè)量地標(biāo)，生成面部特征的局部描述符，并預(yù)測(cè)局部面部特征用于22q11.2DS特征分類，識(shí)別準(zhǔn)確度達(dá)79%。但使用3D 數(shù)字?jǐn)z影測(cè)量的圖像采集系統(tǒng)昂貴，實(shí)施困難大，在許多臨床中心的應(yīng)用可行性較低。2017年，Mok等[60]利用美國(guó)國(guó)立衛(wèi)生研究院創(chuàng)建的來(lái)自不同人群的人類畸形綜合征圖譜（NIH）中種族匹配的患者圖像以及經(jīng)分子水平鑒定為22q11.2DS 的中國(guó)受試者的臨床照片，對(duì)面部識(shí)別技術(shù)進(jìn)行訓(xùn)練；Kruszka等[61]使用人臉形態(tài)學(xué)分析技術(shù)，只使用面部幾何特征時(shí)的敏感性、特異性和診斷準(zhǔn)確性分別為83.3%、85.9%和84.6%，當(dāng)使用幾何和紋理特征時(shí)，敏感性增加到96.2%，特異性為93.6%，精度為94.9%。

（3）Turner綜合征

Turner綜合征是因性染色體變異導(dǎo)致的先天性卵巢發(fā)育不全綜合征，患者表現(xiàn)為身矮、生殖器與第二性征不發(fā)育、軀體特征為多痣、眼瞼下垂、耳大位低、腭弓高、后發(fā)際低，頸短而寬等。2018年，Song等[62]訓(xùn)練了68個(gè)特征點(diǎn)模型來(lái)提取受試者人臉圖像的全局幾何特征、紋理特征、局部的5 個(gè)特征：前額、黑色素細(xì)胞痣、內(nèi)眥贅皮、鼻梁、雙眼間距。用PCA 進(jìn)行降維，融合多個(gè)面部特征來(lái)提高識(shí)別精度，同時(shí)將全局幾何特征、全局紋理特征使用SVM 進(jìn)行分類、局部特征融合后用Adaboost進(jìn)行分類，最后用十字交叉驗(yàn)證，結(jié)果顯示效果最好的是局部特征融合后用Adaboost 分類。識(shí)別結(jié)果如表11所示。

表11 不同特征的識(shí)別結(jié)果 %

（4）3D法布里

2007年，Cox-Brinkman等[63]用基于表面的形狀差異密集表面模型（DSMs）闡明法布里病患者的畸形人臉形態(tài)學(xué)特征，過(guò)程中生成平均臉進(jìn)行對(duì)比，在識(shí)別測(cè)試中，使用了最接近均值、線性判別分析和支持向量機(jī)3種統(tǒng)計(jì)模式識(shí)別算法。面部不同部位的形態(tài)分析顯示，男性患者的臉型差異顯著，女性患者的臉型差異較小。盡管在統(tǒng)計(jì)學(xué)上證明了與健康對(duì)照組的面部形狀有顯著差異，但檢測(cè)的異常明顯程度低于患有其他多種人臉形態(tài)學(xué)疾病的患者。實(shí)驗(yàn)結(jié)果如表12所示。

表12 3種模式識(shí)別算法的平均總體識(shí)別性能%

3.2.3 總結(jié)

基因遺傳病的研究整體可以分為三大類別：（1）單一綜合癥和其他人口——一個(gè)二進(jìn)制分類問(wèn)題，區(qū)分正常受試者與特定綜合征對(duì)象或區(qū)分兩種特定綜合征[25，32，37，39，43]。 其 中 ，文 獻(xiàn)[43]采 用 大 量 的 數(shù) 據(jù) 量 對(duì)DCNN 進(jìn)行訓(xùn)練，使得模型自動(dòng)標(biāo)記的效果最好，采用支持向量機(jī)的模式識(shí)別算法進(jìn)行三維面部分析對(duì)疾病二分類效果次之。（2）綜合癥患者與正常人的對(duì)比——一個(gè)將任何綜合癥的受試者與正常（未受影響的）受試者[18，29，39，41-42]進(jìn)行區(qū)分的二元分類問(wèn)題，其中，文獻(xiàn)[39]采用神經(jīng)網(wǎng)絡(luò)的分類器可以使NS 的特異性達(dá)到96%，VCFS 的特異性達(dá)到97%。文獻(xiàn)[18]通過(guò)三維可變模型，在加入局部紋理信息訓(xùn)練分類器之后，可以使疾病的診斷準(zhǔn)確度達(dá)到96%，超過(guò)其他方法的診斷效果，可以在其他疾病中進(jìn)行嘗試。（3）多證候分類——從多種可能的證候[33-36，38-40，43]中識(shí)別正確的證候的多類問(wèn)題。文獻(xiàn)[33]構(gòu)建的多類格式塔模型對(duì)不同綜合征進(jìn)行分類的準(zhǔn)確度最高。

染色體變異導(dǎo)致的疾病中，通過(guò)面部檢測(cè)識(shí)別唐氏綜合征，提取基于LBP 的臉部特征，支持向量機(jī)作為分類器的性能較好，而多種分類器通過(guò)集成學(xué)習(xí)將信息共享，可以取得更準(zhǔn)確的決策，通過(guò)FDNA 技術(shù)處理圖像數(shù)據(jù)，大數(shù)據(jù)量的訓(xùn)練可以提高face2Gene的敏感性，患者的種族也會(huì)影響評(píng)估，訓(xùn)練可能會(huì)增加對(duì)特定種族的檢測(cè)特異性。關(guān)于診斷22q11.2 微缺失綜合征，使用患者人臉圖像的幾何和紋理特征，通過(guò)FDNA技術(shù)可以達(dá)到較好的分類效果。Tuner 綜合征的診斷，可以通過(guò)將人臉局部特征融合后用Adaboost 分類來(lái)達(dá)到效果。目前報(bào)道的法布里患者的面部特征對(duì)診斷過(guò)程沒(méi)有太大幫助。

3.3 腫瘤、器官腫脹、術(shù)后繼發(fā)畸形等因素造成人臉形態(tài)學(xué)疾病

3.3.1 阻塞性睡眠呼吸暫停低通氣綜合征

由睡時(shí)上氣道塌陷阻塞引起的呼吸暫停和通氣不足，造成的阻塞性睡眠呼吸暫停低通氣綜合征（Obstructive Sleep Apnea-Hypopnea Syndrome，OSAHS）患兒會(huì)出現(xiàn)腺樣體面容。2019年，Hu等[64]研究者集合了268名4～7 歲的兒童，使用Dlib68 點(diǎn)提取人臉特征，過(guò)程中使用平均臉對(duì)比與變形熱圖提取關(guān)鍵特征，最后將經(jīng)過(guò)決策樹(shù)、XGBoost、SVM 和KNN 方法分類的結(jié)果進(jìn)行對(duì)比，得到腺樣體人臉識(shí)別的最佳特異性為89.19%，最佳敏感性為88.24%，如表13所示。

表13 模型度量結(jié)果 %

Rong 等[65]獲取了400 名打鼾患者面部自然狀態(tài)下的正位和斜位照片。在使用支持向量機(jī)和PCA 的圖像識(shí)別技術(shù)中，當(dāng)AHI≥5 事件/時(shí)，算法的敏感性為74%，特異性為88%。在AHI≥30 事件/時(shí)的類別中，算法的敏感性提高到80%，特異性提高到91%。結(jié)果說(shuō)明對(duì)重癥患者，隨著樣本量的增加，AI 算法的診斷敏感性和特異性也會(huì)相應(yīng)提高，可以作為OSAHS 診斷的篩選工具。

3.3.2 半面短小癥

半面短小癥是繼唇腭裂之后第二大最常見(jiàn)的顱面出生缺陷，每3 000 個(gè)新生兒中就有一個(gè)患有半面短小癥。2018年，Cassi等[66]利用一種三維、非侵入性和客觀的方法來(lái)精確定位和定量面部不對(duì)稱的半面體，對(duì)一組患有半面體短小癥的年輕患者的面部不對(duì)稱性進(jìn)行定量分析，并將其與健康受試者的均勻樣本進(jìn)行比較。研究根據(jù)三叉神經(jīng)分支的分布區(qū)域，將面部分為三份，手動(dòng)選擇三維圖像上的軟組織點(diǎn)，結(jié)果表明臉部的下半部更加不對(duì)稱，該方法在檢測(cè)患者和對(duì)照組之間的形態(tài)差異方面具有很高的重現(xiàn)性和準(zhǔn)確性，因此，它適用于中醫(yī)證候和非中醫(yī)證候非對(duì)稱病理的拓?fù)浞治觥?/p>

4 結(jié)束語(yǔ)

在上述研究中，F(xiàn)DNA 技術(shù)的Face2Gene 應(yīng)用程序能夠幫助不同疾病進(jìn)行研究測(cè)試。文獻(xiàn)[62]關(guān)于Tunar綜合征的診斷，將所研究的方法結(jié)合到了一個(gè)真實(shí)的系統(tǒng)中，用于在欠發(fā)達(dá)地區(qū)篩查疑似TS 患者，為T(mén)S 患者提供早期發(fā)現(xiàn)和早期治療。通過(guò)系統(tǒng)的大規(guī)模初步篩查和醫(yī)院的進(jìn)一步檢查，為患者提供早期發(fā)現(xiàn)和早期診斷，并盡快采取適當(dāng)?shù)膶?duì)癥治療方法。該系統(tǒng)會(huì)記錄關(guān)鍵信息并采集面部圖像，將所有信息輸入系統(tǒng)后就會(huì)得出一個(gè)實(shí)時(shí)的診斷結(jié)果，可以給醫(yī)生的診斷提供輔助信息；而其他疾病的人臉輔助診斷，都尚處于研究階段，還未能開(kāi)發(fā)出具體的應(yīng)用投入實(shí)際生活中。

由于近幾十年人臉形態(tài)學(xué)輔助診斷技術(shù)在疾病的臨床診斷、分級(jí)、預(yù)測(cè)等方面的不斷應(yīng)用，使得該技術(shù)在人工智能、深度學(xué)習(xí)等技術(shù)的不斷探索下，能夠與醫(yī)學(xué)科研技術(shù)以及醫(yī)學(xué)護(hù)理等方面更加的貼合，可以在二維圖像、三維立體圖像以及視頻中捕獲人臉部特征信息，針對(duì)人臉部形態(tài)變化不明顯的疾病，可以使用基于深度卷積神經(jīng)網(wǎng)絡(luò)根據(jù)視頻中人臉的變化建立動(dòng)態(tài)模型來(lái)觀察，現(xiàn)有研究雖比較少，但證明還是有效果的，可以作為一個(gè)發(fā)展方向；運(yùn)用三維面部分析方法來(lái)檢測(cè)疾病，雖然在部分疾病中達(dá)到了較好的效果，但整體上還是因其成本較高，實(shí)施困難，使得臨床應(yīng)用的可行性低；而現(xiàn)針對(duì)二維面部圖像的疾病輔助診斷，研究方法較為廣泛，實(shí)驗(yàn)效果也高于臨床醫(yī)生的診斷，但是現(xiàn)今研究疾病的種類涉及面較窄，多數(shù)疾病樣本的數(shù)據(jù)量少，疾病臨床特征不明確，進(jìn)行的實(shí)驗(yàn)數(shù)量整體不足，在大規(guī)模進(jìn)行疾病的診斷中缺乏有效性。因此，未來(lái)的研究重點(diǎn)應(yīng)該集中于擴(kuò)大疾病的研究種類，將通過(guò)支持向量機(jī)、深度卷積神經(jīng)網(wǎng)絡(luò)或集成方法等構(gòu)成的改進(jìn)分類器等具有高性能的診斷框架投入不同疾病的研究，訓(xùn)練時(shí)的數(shù)據(jù)量越大，模型的準(zhǔn)確度就越高，通過(guò)大量數(shù)據(jù)集訓(xùn)練，將高準(zhǔn)確度的研究結(jié)合到真實(shí)的系統(tǒng)中，開(kāi)發(fā)出契合實(shí)際生活的應(yīng)用，并關(guān)注不同疾病的樣本采集工作。引起人臉形態(tài)學(xué)發(fā)生變化的因素有很多種，在研究相關(guān)疾病如何快速獲得診斷結(jié)果的同時(shí)，更應(yīng)該高度重視，提前預(yù)防。