基于机器学习模型评估普通照片中肢端肥大症患者面部的渐进性变化

《European Journal of Endocrinology》：Machine Learning Quantifies Within-Subject Facial Change in Acromegaly

　　

摘要

目的

机器学习模型可以通过单张照片区分肢端肥大症患者和对照组，但目前尚不清楚同一人在不同时间拍摄的普通照片中面部是否会出现渐进性变化。我们研究了一个人的面部是否会随着时间推移逐渐呈现出与肢端肥大症相关的特征。

研究设计

这是一项多中心、国际性的横断面队列研究，采用了被试内纵向分析方法。

研究方法

肢端肥大症患者及其他垂体肿瘤患者提供了回顾性的照片。如果患者提供了疾病分期信息，就根据该信息将他们在不同时间点拍摄的照片进行配对；否则按时间顺序进行配对。我们使用面部识别模型和通用图像模型对每张照片进行分析，并通过“留一法”评分来量化个体面部向肢端肥大症特征的变化程度。

研究结果

在582名参与者中，有110人提供了可用的正面照片，其中69人提供了两个时间点的照片（50人为肢端肥大症患者，19人为对照组）。面部特征评分能够有效区分晚期疾病患者和对照组（AUC为0.858）。在肢端肥大症患者中，个体面部特征的变化中位数为0.59，76.0%的变化符合预期方向（p=0.0003）；81.5%的未经治疗的对照组患者的面部变化也符合预期（p=0.0008）。三个不同对比组之间的变化方向存在差异，但这种差异并不显著（p=0.15）。15名非库欣综合征的老年对照组患者的面部特征没有明显变化（p=0.72），且在调整照片拍摄间隔后，组间差异仍然存在（p=0.029）。未治疗前的基线数据也显示，肢端肥大症患者与对照组之间存在一定差异（AUC为0.65，单侧p值为0.033）。通用图像模型检测结果显示，个体面部特征没有变化（p=0.32）。

结论

通过普通照片可以测量出肢端肥大症患者的面部特征变化，这为基于照片的纵向监测和早期识别提供了支持。