换一批
换一批小样本条件下利用面部特征提高罕见病预测准确率的方法研究
Study on the method of using facial features to improve the accuracy of rare disease prediction in small sample scenarios
摘要在数千种已知的罕见病中,大约30％～40％的患者存在面部异常,面部特征识别成为利用机器学习预测罕见病风险和类型的一种有效方法.由于罕见病样本的稀缺,机器学习面临不少挑战.使用Dlib提取患者面部的68个关键点,并计算35个点之间的尺寸距离和26个线段的夹角余弦作为面部几何特征.通过特征选择筛选出其中前10个重要特征,并与Dlib提供的128维向量融合,从而构建138维新的向量作为面部特征,再利用NIH网站公开的DiGeorge综合征、Down综合征和Williams综合征的面部数据进行分类建模.测试结果表明,融合几何特征的模型在分类性能上优于仅使用深度学习特征的模型.这种方法不仅具有更好的可解释性,而且适用于小样本情况下的罕见病早筛分类,为罕见病预测提供了一种有效的新途径.
更多相关知识
关键词
罕见病面部特征识别机器学习几何特征分类建模Rare diseasesFacial feature recognitionMachine learningGeometric featuresClassification modeling
DOI
10.3969/j.issn.1673-7571.2024.10.004
发布时间
2024-10-31
- 浏览4
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
