基于深度学习的鼻唇沟严重程度自动分级集成模型DeepFold的研发与验证

为解决鼻唇沟(NLF)严重程度临床评估的主观性问题，来自牛津大学的研究团队开发了基于深度学习的集成模型DeepFold。该研究利用6718张面部图像构建数据集，采用ResNet-50基础架构结合多数投票集成策略，最终验证准确率达0.917，为面部衰老评估提供了客观标准化的新工具。

　　

这项突破性研究开发了名为DeepFold的深度学习集成模型，用于实现鼻唇沟(Nasolabial Fold, NLF)严重程度的自动化客观分级。针对传统皱纹严重程度评分量表(Wrinkle Severity Rating Scale, WSRS)存在的主观评估局限，研究团队构建了包含6718张面部图像的数据集，其中1718张来自临床门诊患者，5000张选自CelebA数据库。

创新性地采用左右半脸独立标注策略，由三位资深整形外科医师依据WSRS标准进行标注。模型架构以ResNet-50为基础，通过三个独立训练网络的多数投票集成策略，结合焦点损失函数(focal loss)解决类别不平衡问题。在PyTorch框架下实施早停策略，最终验证准确率和F1分数均达到0.917，显著优于单一ResNet-50(0.904)和SeResNet-50(0.882)基线模型。

该成果为面部衰老评估提供了标准化解决方案，在美容治疗规划、疗效监测等领域具有重要临床价值。特别值得注意的是，集成策略有效降低了预测方差，增强了模型在类别不平衡情况下的鲁棒性。研究证实，DeepFold系统能够实现与资深医师相当的评估可靠性，为美容医学领域提供了可量化的客观评价工具。