基于关键点分析与神经网络的自动化面部不对称检测人工智能框架

来自多领域的研究人员针对临床上面部不对称评估的难题，开发了结合人工神经网络(ANN)和孪生神经网络(SNN)的AI检测系统。通过1200张经正畸专家标注的面部照片，采用MediaPipe模型进行标志点定位，最终SNN以97%准确率和0.98 AUC值显著优于ANN，为颌面外科与整形手术提供了客观量化工具。

　　

精准的面部不对称评估在正畸学(orthodontics)、颌面外科(maxillofacial surgery)和整形外科领域至关重要。虽然轻微不对称普遍存在，但严重病例多源于先天性缺陷或外伤。传统方法难以全面量化不对称程度与方向。这项研究创新性地对比了人工神经网络(ANN)与孪生神经网络(SNN)的性能，通过1200张经三位正畸专家标注的正面照片数据集，借助MediaPipe模型实现面部标志点(facial landmarks)检测和中线校准。

研究采用双管齐下的策略：一方面从面部标志点提取特征训练ANN，另一方面利用SNN对比镜像处理的半侧脸。通过探索性数据分析(EDA)量化垂直与水平维度的不对称性。性能评估显示，SNN以97%准确率完胜ANN，其Cohen's Kappa系数达到0.84（不对称检测）、0.73（水平偏差）和0.80（垂直不对称）。对称组平均相似度达96.14%，而不对称组仅83.97%。SNN的ROC曲线下面积(AUC)高达0.98，展现出卓越的诊断效能。

该成果证实了SNN在临床面部评估中的优势，未来研究将聚焦扩大数据集及优化中线校准——特别是在存在垂直性眼不对称的复杂病例中。这项AI驱动的方法为临床决策提供了可靠、客观的量化依据，标志着智能医疗在形态学评估领域的重要突破。