計算機輔助診斷人臉形態學疾病研究綜述

郭 靜，宋文愛，楊吉江，王 青，梁雅琪，雷 毅，高雪梅，李海振

1.中北大學 軟件學院，太原030051

2.清華大學 信息技術研究院，北京100084

3.北京大學口腔醫學院 口腔醫院正畸科，北京100081

1 引言

近年來，人工智能結合基因檢測技術在圖像診斷中的應用顯示出其突出的優勢。人臉形態學輔助診斷研究是針對發生人臉形態學變化的患者，對患者的人臉部圖像進行關鍵點特征提取，接著使用提取到的特征構建模型，分步進行模型的訓練，并與疾病數據庫進行比較，評估和改進模型，最終獲得人臉形態學輔助診斷系統[1]。除根據信息進行身份驗證，廣泛應用于經濟、安全、社交等領域外，逐漸進入醫療行業。使用計算機輔助軟件可以幫助高精度的診斷早期疾病，應用于一些特殊疾病的輔助診斷，可以縮短疾病診斷期，改善醫療資源不足的問題，在部分研究中其對疾病的識別正確率甚至高于相應領域的專家。所以，在一些不發達地區和國家，進行非侵入式的計算機輔助診斷研究很重要，因為這些地區的患者缺乏專業性的醫護人員。

生活環境、遺傳、疾病等因素不僅會影響人身體的正常運轉，還會形成人體外在的變化，包括人臉部、軀體的形態學變化。而人臉部的種種特征都可以反應人身體的健康狀況，醫院工作人員可以通過捕捉人臉形態特征，對某些疾病進行初步診斷，并在下一步的判斷中起到指導作用。根據不同的因素，導致人臉形態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學發生變化：地域、文化和習俗會形成不同的人臉形態學特征；周圍的環境會導致一些精神疾病，從而改變面部的形態；孩子的不良習慣如張口呼吸、吐舌等都會導致牙、頜、面發育異常，形成突面型、小下頜、地包天等畸形；內分泌激素的異常也可能人臉形態學上的變化，比如腎上腺皮質長期分泌過多糖皮質激素造成內源性庫欣綜合征，人臉形態學表現為脂肪分布異常，該人臉特征被稱為滿月臉；腺垂體分泌生長激素過多所致相應生理功能異常的肢端肥大征，可出現頭顱及面容寬大，顴骨高，下頜突出，鼻唇和舌肥大等表現。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時間張口呼吸，進而形成人臉形態學上的變化。

（2）由遺傳因素影響造成人臉形態學發生變化：有基因遺傳與染色體變異兩種因素，在國內方面，李玉玲等[1]進行了學齡雙生子兒童人臉特征的遺傳學分析，發現基因遺傳因素對男女頭圍、眼外角間、鼻寬的影響相對較大。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、術后繼發畸形等疾病造成人臉形態學變化：疾病可能導致人臉形態學上的特殊變化，比如破傷風患者會出現苦笑面容、柯興氏綜合征患兒會出現滿月面容、由睡時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出現腺樣體面容、由第一和第二咽弓的解剖結構不對引起的半面短小癥先天性顱面畸形等。

2 人臉形態學輔助診斷的原理和步驟

2.1 傳統方法

由傳統的人臉形態學輔助診斷技術可知，進行醫學診斷的一般步驟為：患者的臉部圖像獲取并進行圖像預處理；自動或半自動進行人臉標志點的識別；提取人臉特征數據；構建模型進行分類器分析，還可能通過不同步驟使用神經網絡或其他技術。人臉輔助診斷流程圖如圖1所示。主要研究內容如下：

（1）在醫療機構設置統一的拍攝環境下，使用統一的設備采集受試者的標準正面或側面照片，通過人臉檢測技術，有VJ人臉檢測器等，將照片中的人臉部分單獨提取出來，并對圖像進行灰度歸一化、圖像增強等，保證人臉大小、背景顏色統一，減少圖像陰影影響。

（2）利用人臉分析軟件在圖像上標記人臉的眼睛、鼻子、嘴巴、眉毛等關鍵區域，先手動標記關鍵點的位置，然后訓練模型自動標記關鍵點，常用算法有Face++的68 特征點標記。也可以根據臨床醫生診斷的特點，增減關鍵點，可以提高診斷正確率。

（3）人臉特征數據一般包括人臉的“質地”“幾何”“顏色”等信息。質地特征一般用Gabor 小波變化濾波器和局部二值模式對關鍵點進行提取；幾何特征用幾何函數計算關鍵點間的幾何距離作為特征向量；顏色特征常是對指定區域的像素值進行操作。

（4）得到測量數據后，構建模型進行分類器分析，通過優化后的模型代入人臉圖像信息，根據相似度對疾病進行歸類，得最終的“診斷”。當前所得研究中已通過的診斷分類方法主要有兩種：一是，留一交叉驗證，將實驗者的人臉圖像與其余所有圖像（分為疾病組和對照組）根據相似度比較區別；二是，“訓練”法，用一定數量的患者和對照組的人臉圖像對軟件進行“訓練”，構建模型，形成模型的分辨力，再用“訓練”后的模型對其他患者及對照組進行區別。

圖1 人臉形態學輔助診斷流程圖

2.2 Face2Gene輔助診斷系統

基于深度學習的診斷輔助系統Face2Gene，是一種自動檢測和評估細微顱面畸形的分析工具，用于識別基于2D面部照片的罕見綜合征，利用“格式塔”的聚合，包括對患者人臉圖像特征的數據匯總，從而提出候選綜合征。面部畸形新分析技術（Facial Dysmorphology Novel Analysis，FDNA）是由FDNA 公司開發的一種人臉圖像疾病診斷方案，圖像分析是基于將數學函數半自動放置在相關面部結構上的節點網格。這些函數通過使用Gabor小波變換（特征向量）評估節點距離和節點周圍的圖像紋理來評估幾何形狀。使用最大似然分類器對受試者進行訓練，評估數據庫中的任何一組（對照組受試者與患者）的相似性。總體分類精度采用十字交叉驗證法計算，它將計算性人臉形態學識別與臨床知識庫[3]相結合，并在Face2Gene 應用程序中實現。Gurovich 等[4]訓練了成千上萬的患者圖像，并用于量化基于無約束二維圖像的數百種遺傳綜合癥的相似性，直接使用DCNNs進行分類，并基于來自相鄰域的知識轉移模型的人臉識別框架deep gestalt，首先用深度格式塔識別二維人臉圖像，然后進行人臉亞區域檢測，利用DCNN 提取亞區域特征，最后利用特征融合建立數值信息，稱為“格式塔”。2014年，Ferry等[5]使用該方法從普通的非臨床照片中提取表型信息，并使用機器學習在一個多維的“臨床面部顯型空間”中模擬人類面部畸形。為通過功能遺傳途徑比較臨床測序數據、推斷致病基因變異提供了一種新的方法。

Face2Gene 被用來評估顱面表型的綜合癥，Zarate等[6]研究了72例SATB2相關綜合征患者的基因型-表型相關性，SATB2相關綜合征（SAS）的人臉形態學變化為上顎異常（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疾病Aym_e-Gripp 綜合征（AGS），使用2D 照片的自動人臉分析比較唐氏綜合癥患者人臉形態表現型，在兩個獨立的實驗中，準確率分別為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）可導致的一組具有智力缺陷的表型重疊隱性綜合征，分析了計算機輔助面部格式塔在91 例患者中的表現；Martinez-Monseny等[9]，研究了一種磷酸酶-2缺乏（PMM2-CDG）綜合征，它與可識別的人臉形態學模式相關，這種疾病沒有早期嚴重程度的預測因子，因此研究者通過對畸形特征（Dysmfeatures，DFs）的評估，創建了一個簡單的分類，說明人臉形態學和數字分析可以幫助醫生更快地診斷PMM2-CDG；Mishima等[10]利用日本先天性畸形綜合征患者的人臉形態學圖像評價face2Gene，使用從日本招募的兩個患者組對face2Gene進行評估，表明該技術已經可以利用日本的先天性畸形綜合征患者，向臨床遺傳學家推薦候選綜合征。

3 人臉形態學輔助診斷技術在醫學上的應用

3.1 生活因素影響造成疾病

生活、工作等環境經常會給人們造成精神，生理，心理等一系列問題，而這些因素通常會使得人們形成相似性的人臉形態學特征，精神不濟和身體發育不良的癥狀，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。計算機輔助診斷傳統研究通常對受試者的人臉圖像經過預處理，然后提取全局或局部人臉部特征，將提取到的特征導入FIDA（Facial Image Diagnostic Aid）系統，用留一交叉驗證得到實驗評估結果。對于一些涉及精神類的疾病，則通過視頻等構建模型，利用深度學習等方法進行研究。國內已有學者對不同地區、不同民族的成人臉部形態學發育特征進行了較為詳細的調查。例如，宇克莉等[11]發現中國南、北方漢族頭面部形態學特征存在差異，南方漢族人整體呈現頭較窄，兩眼間距離較小，鼻較長，唇較厚。

另有研究分別針對抑郁癥、中醫精神疾病、胎兒酒精譜系障礙、庫欣綜合征、肢端肥大征、慢性疲勞綜合征的患者面部進行了形態學識別，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、社會環境等都可能作為抑郁癥的病因。2015年，Wen等[12]構建了基于視覺的自動識別抑郁癥框架，利用稀疏編碼隱式組織提取的特征描述符進行抑郁診斷。2018年，Zhu等[13]提出了一種基于DCNN的抑郁癥識別新方法，設計了一個雙蒸汽框架的動態模型，分別以面部圖像和面部動力學作為輸入來建模凹陷信息，并構建聯合調諧層。在AVEC2013數據庫對抑郁癥識別結果，如表1所示，AVEC2014數據庫對抑郁癥識別結果，如表2 所示，進行比較后發現基于深度卷積神經網絡的抑郁癥分析具有更高的性能。

表1 不同方法在AVEC2013上的抑郁癥識別結果比較

表2 不同方法在AVEC2014上的抑郁癥識別結果比較

3.1.2 中醫精神疾病

2014 年，Sun 等[14]提出了一種基于特征的中醫精神疾病自動定量特征分類系統，該疾病傳統的診斷方法主要是基于中醫的觀察和他們的個人經驗。該研究收集了126名參與者信息，進行數據挖掘后，建立分類模型，通過交叉驗證，決策樹的計算精度為92.0%。BP神經網絡的計算精度為94.667%。支持向量機的分類精度為96.296%，得出了使用支持向量機分類模型對于該項疾病的診斷更有效。

3.1.3 胎兒酒精譜系障礙

胎兒酒精譜系障礙被公認為導致胎兒缺陷與兒童發育遲滯的主要原因之一，其人臉形態學特征包括眼瞼裂短、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對該疾病患者進行面部分析，受試者操作特征曲線下的區域顯示，與臨床工作者相比，計算機輔助診斷更有效地識別酒精相關的神經發育障礙（ARND）病例。對ARND 患者的面部格式塔分析也發現，與更嚴重的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 庫欣綜合征

2013 年，Kosilek 等[16]運用人臉形態學診斷技術對20例庫欣綜合征患者和40例健康人群的面部圖像進行識別，通過預處理人臉圖像并提取紋理特征與幾何特征，最后導入系統FIDA，整體分類準確度達到了91.7%，用留一交叉驗證法得到分類準確度為85%。

3.1.5 慢性疲勞綜合征

2015 年，Chen 等[17]根據中醫對慢性疲勞綜合征（Chronic Fatigue Syndrome，CFS）患者的臨床觀察，發現患者前額、下眼瞼、臉頰、鼻子和嘴的輪廓表現出特征性的疾病特點，因此提出了一種計算機輔助無創診斷CFS的混合外觀特征提取與處理方法。HA特征由不同面部區域的顏色、質地和形狀特征組成。基于相同的HA特征和評分級融合方法，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）在測試集上的表現，采用PCA，降低了模型的維數，提高了模型的識別能力，但不能保留數據的非線性結構。LPP 具有較強的流形學習能力，因此可以很好地保持圖像的非線性結構，但并不能維持面部的整體流形結構，而Zhang等人[20]提出的MPP，將數據的非局部性信息納入局部性保留投影的目標函數中，保留了數據流形的局部和全局結構，并采用gramm-schmidt 正交化方法解決了LPP 的非正交問題，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行多模態面部特征融合。實驗結果，如表3 所示，這種HA-MPP-ADA 方法，在CFS 預測中比其他兩種方法更有優勢。

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，根據疾病研究程度分成輕度、中度和重度，通過預處理圖像、Gabor jet 相似度函數提取圖像紋理特征、定位點的距離提取圖像幾何特征，最后導入系統FIDA，用留一交叉驗證進行評估，結果顯示71.9%的肢端肥大癥患者和91.5%的對照者被該軟件正確分類，醫學專家對患者和對照者的正確視覺分類率都要低10%左右，而普通內科醫生的分類率明顯更低。2017 年，Kong 等[23]使用Opencv 檢測人臉邊框，提取出作為臨床潛在指標的人臉地標位置，采用前視化的方法綜合正面的視圖來提高性能。訓練并整合了廣義線性模型（LM）、k-鄰近（KNN）、支持向量機（SVM）、隨機森林（RT）和卷積神經網絡（CNN），創建了一種用于肢端肥大癥面部檢測的集成方法（EM），提取面部標志物，合成正面人臉。訓練后的模型使用單獨的數據集進行評估，結果如表4所示。在面部標志物位置上，支持向量機的工作效果最好，PPV（陽性預測值）為95%，NPV（陰性預測值）為88%，敏感性為86%，特異性為96%；在檢測到的面部照片中，CNN 表現較好，在人臉正面化后，性能進一步提高，PPV 為96%，NPV 為92%，敏感性為91%，特異性為96%，CNN 的準確度遠高于SVM 訓練的手工特征，表明深層神經網絡能夠以分層的方式產生概念抽象，從而顯示出自動提取底層特征的能力；集成方法結果最佳，PPV 為96%，NPV 為95%，敏感性為96%，特異性為96%。

表3 不同方法在訓練集和測試集的實驗結果 %

表4 評價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發育障礙的新框架。發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，會嚴重影響人的正常生活。該框架采用DCNN對人臉特征進行提取，并使用大量數據將該方法與類似模型的準確性進行了比較。該模型的準確度達到了98.80%，如表5 所示，優于所有手工標記的特征分類器模型。

表5 分類器方法比較 %

3.1.7 總結

經過對上述研究分析可知，針對于生活因素造成疾病的分類檢測，由DCNN 構建的模型，在經過大量數據訓練后，準確率最高；針對單項疾病的診斷，使用FIDA系統的準確率要高于醫學專家和普通的內科醫生；而對于一些特殊的疾病，根據其人臉形態學上的獨特特征，可以采取一些類似于流行保留投影方法來降低Gabor特征維度，使準確率變得更高；還可以通過整合不同的經典分類器的優點，形成一種集成分類器，準確率優于其他，并且可以再在其他疾病上進行試驗，證明其是否對其他疾病具有通用的效果。

3.2 遺傳因素造成疾病

醫學遺傳學家的目標是在進行細胞學或分子分析之前，根據人臉形態學特征對潛在的證候進行預診斷，生物相關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學特征。因此，常利用造成該疾病的基因，進行人臉形態學的表型研究，多運用深度學習的方法，也有部分運用傳統方法提取局部特征進行研究。遺傳綜合征影響了8%的人口[26]，對患者和社會的影響嚴重，因此，在患者到達醫院進行正式診斷前給予早期預警具有重要意義。

3.2.1 基因遺傳

2019 年，文獻[27]使用模擬人臉畸形的分析算法，從3 個新的智力殘疾基因（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。將提取的關鍵特征合并到一個混合模型中，并使用Koolen-de Vries綜合征患者的圖像來驗證模型，結果表明在PACS1、PPM1D和PHIP中具有致病變異的個體存在面部格式。Tu等[28]從三維人臉的正面、左側和右側3個方向研究形態學變化。通過三維可變形模型估計三維人臉形狀，計算面部變形測量值。三維重建人臉計算出的幾何特征在檢測遺傳綜合征相關面部畸形的準確性為73%，而使用最先進的方法從二維圖像中獲得的正確率為58%。當加入局部紋理信息時，準確率提高到96%。2019 年，Pascolini等[29]發現在智力殘疾綜合征中，染色質重塑發育障礙（Developmental Disorders of Chromatin Remodeling，DDCRs）是一類因染色質重塑異常而導致的以特征性面孔和可變認知障礙為特征的畸形障礙。使用深度格式塔技術，對120個含有組蛋白酶基因編碼變異的個體進行了表型研究。最后的研究結果表明，這類疾病具有明顯的異型性，從而導致疾病的發生。

同時，根據遺傳綜合征診斷的數目，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，人臉形態學表現為：弓形眉、短鼻、鼻孔前傾、長人中、上唇薄等特征。CdLS 的患病人群中，有60%由NPBL 基因突變導致。2020 年，Latorre-Pellicer 等[30]對49 名已知CdLS 基因中存在致病變異的個體進行了人臉表型研究，結果表明，臨床經典表型和受影響的基因之間存在相關性。努南綜合征（Noonan Syndrome，NS）為常染色體顯性/隱性遺傳，患者人臉形態學特征包括前額寬闊、眼瞼下垂、眼距寬、鼻梁低平、小下頜、低耳位等，且患病時間越長，特殊面容會逐漸趨于正常，因此早期識別診斷和及時干預該疾病極為重要。2019年，Li等[31]研究者利用人工智能描述了與基因相關的NS 的面部特征，該研究鑒定了103 例中國患者中8 個NS 相關基因的致病變異，而基因相關的面部表征表明，每個基因都和不同的面部細節相關。X連鎖少汗性外胚層發育不良（X-Linked Hypohidrotic Ectodermal Dysplasia，XLHED）是一種影響外胚層結構的遺傳性疾病，表現為特征性的人臉形態學外觀。

2016年，Basel-Vanagaite等[32]用FDNA技術對CdLS患者進行識別，其正確識別率為87%。將患者按不同的基因突變因素分類再次訓練模型，其對CdLS 患者的檢測率增加到94%。2017 年，Kruszka 等[25]使用來自20 個國家的NS 患兒的圖像作為標注樣本量，通過FDNA 技術對NS 患者進行識別，發現敏感性為94%，特異性為90%。2017 年，Hadj-Rabia 等[33]研究了FDNA 技術從XLHED 患者面部圖像中檢測表現型的能力，該系統檢測到該疾病在所有經基因確認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，FDNA技術可以支持臨床醫生對于這些疾病做出準確診斷，遺傳學知識與人工智能相結合可以達到更佳的診療效果。

（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%的準確識別率。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數學工具進行比較。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。2006 年，Boehringer 等[35]研究分析了10 種綜合征的識別情況，基于計算機的診斷分類準確率可以超過75%，與之前的研究中5 個證候的分類準確率相同。對證候的兩兩鑒別范圍為80%～99%，并在2011年[36]調查了統計分類器對研究數據（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]研究者應用外顯子組分析確定了許多智力障礙綜合征的遺傳基礎。以Nicolaides-Baraitser和Coffin-Siris綜合征為例，使用基于FDNA技術的Face2Gene臉部分析軟件，以識別畸形特征并評估與已知面部模式（格式塔）的相似性。2017 年，Liehr 等[37]使用FDNA 技術，從2D面部照片中自動識別Emanuel（ES）和Pallister-Killian（PKS）綜合征與其他SSMCS 患者的相關面部表型，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名患者訓練分類器，在Face2Gene的研究應用程序進行實驗，達到平均準確率為62%。上述研究表明，FDNA 技術的數據可以補充臨床表型總結，提供獨立于臨床醫生個人經驗和偏見的數據。

2004 年，Hammond 等[39]研究者首次運用三維面部圖像分析方法對NS和Velo-Cardio-Facial綜合癥患者進行檢測。選用最接近均值、C5.0決策樹、神經網絡、邏輯回歸和支持向量機的模式識別算法。在對努南綜合征患者和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到95%，如表6所示。

表6 交叉驗證的平均敏感性和特異性%

2014 年，Kuru 等[40]提出視覺診斷決策支持系統（Visual Diagnostic Decision Support System，VDDSS），將機器學習算法和數字圖像處理技術應用于醫學遺傳學的自動化診斷。該方法利用參考圖像的人臉形態學特征來識別視覺基因型與人臉形態學表現型的相互關系。采用15種不同的證候的留一交叉驗證方案進行試驗，自動診斷技術的準確度為83%。說明大量具有特征面部異常模式的綜合征可以通過與本研究相似的診斷性DSS進行診斷。

2016年，Cerrolaza等[41]結合幾何特征和標記點的紋理特征對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）進行人臉形態學輔助診斷。使用普氏分析法進行圖像預處理，利用曲線下最大面積（AUC）準則，選擇得到預測特征的最優子集，最后采用徑向基核支持向量機、線性支持向量機和線性判別分析3 種不同的分類器對該方法進行了評估，并采用了交叉驗證方法，徑向基核支持向量機分類器準確度能達到95%，如表7所示。

表7 分類器的性能比較

2018 年，?zdemir 等[42]根據以往的研究文獻發現基于神經網絡的分類器，當綜合征增加時識別率會變低，因此提出了一個基于人工神經網絡的分級決策樹模型，并且與KNN和人工神經網絡分類器進行了對比。通過對五種綜合征（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）的測試，得到了86.7%的結果，如表8所示。

表8 KNN、ANN、分級決策樹與臨床專家的分類結果

2018年，Gurovich等[43]在大規模的不同疾病癥狀圖像數據庫上訓練DCNN，形成一個一般的面部模型，然后針對性的用小的表型數據集對每個區域的DCNN 模型進行微調。將Keras 和TensorFlow 作為后端，形成了3種模型：一個二元模型——通過訓練來識別一個單一的綜合征，在對CdLS疾病的診斷中，DeepGestalt方法準確度為96.88%，高于Rohatgi 等[44]取得的75%的準確度和Basel-Vanagaite 等[32]87%的準確度，在對Angelman綜合征的診斷中，DeepGestalt 方法準確度為92%，高于Bird等[45]取得的71%的準確度；專門的格式塔模型——識別與努南綜合征相關的5個基因的正確面部表型；多類格式塔模型——對不同綜合征進行分類，達到91%的準確度。

3.2.2 遺傳變異

染色體異常遺傳病是先天性心臟病、智能發育不全等的重要原因之一，在新生兒中發病率約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 號染色體異常，導致的最常見的一種常染色體異常性疾病[46]。患者通常智力低下，有先天性心臟病，會出現包括小頭畸形、面圓而扁平、寬眼距、低鼻梁、內眥贅皮、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行特征提取，分類采用歐氏距離法和經過改變的曼哈頓距離法。經過改變的曼哈頓距離法可以將系統成功率由89.7%：提高至95.3%。2012 年，Saraydemir等[49]對1 至12 歲的兒童人臉圖像進行標準化處理，然后使用Gabor 小波變換進行特征提取。利用線性判別分析方法推導出了最有價值信息的新維數。最后用KNN 和線性支持向量機進行分類，最佳結果的準確度為97.34%。

2013 年，Zhao 等[50]利用約束局部模型定位人臉標志，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，采用多個分類器對唐氏綜合征與正常病例進行分類。結果表明，在局部紋理特征優于幾何特征的情況下，采用基于RBF核的支持向量機作為分類器，準確度達到94.6%，并且具有較高的召回率。在臨床環境中，95.5%的高召回率是可取的，因為作為篩查工具，應該盡可能少地漏掉綜合征。結果證明了該技術分析高度可變的數據的魯棒性，可以繼續研究包括側視圖圖像的特征，并研究更有效的特征融合方法。在2014年，文獻[51]提出了一種基于獨立分量分析（ICA）的分級約束局部模型（HCLM）。用基于熵的非參數數據驅動獨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，模型的層次結構通過將不同的模型分別對不同的組進行擬合，提高了地標檢測的準確性。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描述唐氏綜合征與健康人群的人臉形態學變化。通過特征融合和選擇，訓練支持向量機（包括線性基函數核和徑向基函數核）、k-近鄰（KNN）、隨機森林（RF）和線性判別分析（LDA）等分類器識別唐氏綜合征病例，獲得最高的準確度96.7%。如表9所示，結果表明，通過LDA 對整合后的特征進行分類性能較好，可擴展到其他遺傳綜合征的檢測。

表9 不同的特征和分類器進行唐氏綜合征檢測的準確度 %

接著提出了一種基于集成學習面部分析唐氏綜合癥的計算機輔助診斷系統[52]。首先基于自動定位的人臉地標提取幾何特征和紋理特征，進行特征融合和選擇，然后采用多分類器（即支持向量機、隨機森林和線性判別分析）對唐氏綜合征患者進行識別。通過集成學習方法（包括多數投票MV、集成分類器PFM、均值規則Mean、中值規則Median和最大值規則Max）從不同的分類器中獲取共享的和互補的信息，最優地組合這些分類器的輸出，最終實現準確可靠的決策。采用基于徑向基函數和線性核函數的支持向量機進行分類，在單個分類器中效果最佳。集成學習的誤分類率降低了19.5%，優于最優個體分類器。

2018年，Dima等[53]測試了4種用于唐氏綜合征數字圖像識別的特征提取方法：經典的局部二值模式（LBP）方法；離散小波變換（DWT）與LBP的結合；以AT&T為特征面提供者的特征面投影方法；對AT&T的LBP特征主成分的投影方法。用三度多項式核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的結合。對于投影方法，可以進一步測試建立特征面或主成分的數據集的影響。

2017年，Lumaka等[54]應用FDNA face2Gene解決方案來評估唐氏綜合征（DS）面部識別，發現Face2Gene對白種人DS的識別率（80%）高于非洲人（36.8%），用一組非洲DS 和非DS 的照片訓練了face2Gene，非洲人的認可度上升到94.7%。2018 年，Vorravanpreecha 等[55]使用Face2Gene 工具，測試患有唐氏綜合癥（DS）的泰國兒童與沒有患有唐氏綜合癥（non-DS）的泰國兒童的識別概率，得到87.2%的特異性，準確度為89%。2016 年，Kruszka 等[56]以來自13 個國家不同種族的DS 患兒的照片和臨床資料作為標注樣本量建立檢測模型，結果顯示，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，包括出現短頭畸形、耳畸形、側手畸形、涼鞋間隙、頸部皮膚豐富等，其DS 檢出準確度為94.3%。人臉檢測技術用于Down 綜合征患者檢測的相關文獻總結，如表10所示。

表10 相關文獻研究總結 %

（2）22q11.2微缺失綜合征

22q11.2 微缺失綜合征是因22q11.2 雜合缺失導致的一種常見的常染色體變異疾病，患者會有先天性心臟病、免疫缺陷、甲狀旁腺發育不良、腭裂等狀況[57]，會出現小眼、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]運用3D 成像技術建立22q11.2 缺失綜合征的頭面部網格圖像模型，自動生成新的全局和局部數據，魯棒自動放置人體測量地標，生成面部特征的局部描述符，并預測局部面部特征用于22q11.2DS特征分類，識別準確度達79%。但使用3D 數字攝影測量的圖像采集系統昂貴，實施困難大，在許多臨床中心的應用可行性較低。2017年，Mok等[60]利用美國國立衛生研究院創建的來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分子水平鑒定為22q11.2DS 的中國受試者的臨床照片，對面部識別技術進行訓練；Kruszka等[61]使用人臉形態學分析技術，只使用面部幾何特征時的敏感性、特異性和診斷準確性分別為83.3%、85.9%和84.6%，當使用幾何和紋理特征時，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致的先天性卵巢發育不全綜合征，患者表現為身矮、生殖器與第二性征不發育、軀體特征為多痣、眼瞼下垂、耳大位低、腭弓高、后發際低，頸短而寬等。2018年，Song等[62]訓練了68個特征點模型來提取受試者人臉圖像的全局幾何特征、紋理特征、局部的5 個特征：前額、黑色素細胞痣、內眥贅皮、鼻梁、雙眼間距。用PCA 進行降維，融合多個面部特征來提高識別精度，同時將全局幾何特征、全局紋理特征使用SVM 進行分類、局部特征融合后用Adaboost進行分類，最后用十字交叉驗證，結果顯示效果最好的是局部特征融合后用Adaboost 分類。識別結果如表11所示。

表11 不同特征的識別結果 %

（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學特征，過程中生成平均臉進行對比，在識別測試中，使用了最接近均值、線性判別分析和支持向量機3種統計模式識別算法。面部不同部位的形態分析顯示，男性患者的臉型差異顯著，女性患者的臉型差異較小。盡管在統計學上證明了與健康對照組的面部形狀有顯著差異，但檢測的異常明顯程度低于患有其他多種人臉形態學疾病的患者。實驗結果如表12所示。

表12 3種模式識別算法的平均總體識別性能%

3.2.3 總結

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——一個二進制分類問題，區分正常受試者與特定綜合征對象或區分兩種特定綜合征[25，32，37，39，43]。 其 中 ，文 獻[43]采 用 大 量 的 數 據 量 對DCNN 進行訓練，使得模型自動標記的效果最好，采用支持向量機的模式識別算法進行三維面部分析對疾病二分類效果次之。（2）綜合癥患者與正常人的對比——一個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]進行區分的二元分類問題，其中，文獻[39]采用神經網絡的分類器可以使NS 的特異性達到96%，VCFS 的特異性達到97%。文獻[18]通過三維可變模型，在加入局部紋理信息訓練分類器之后，可以使疾病的診斷準確度達到96%，超過其他方法的診斷效果，可以在其他疾病中進行嘗試。（3）多證候分類——從多種可能的證候[33-36，38-40，43]中識別正確的證候的多類問題。文獻[33]構建的多類格式塔模型對不同綜合征進行分類的準確度最高。

染色體變異導致的疾病中，通過面部檢測識別唐氏綜合征，提取基于LBP 的臉部特征，支持向量機作為分類器的性能較好，而多種分類器通過集成學習將信息共享，可以取得更準確的決策，通過FDNA 技術處理圖像數據，大數據量的訓練可以提高face2Gene的敏感性，患者的種族也會影響評估，訓練可能會增加對特定種族的檢測特異性。關于診斷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FDNA技術可以達到較好的分類效果。Tuner 綜合征的診斷，可以通過將人臉局部特征融合后用Adaboost 分類來達到效果。目前報道的法布里患者的面部特征對診斷過程沒有太大幫助。

3.3 腫瘤、器官腫脹、術后繼發畸形等因素造成人臉形態學疾病

3.3.1 阻塞性睡眠呼吸暫停低通氣綜合征

由睡時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）患兒會出現腺樣體面容。2019年，Hu等[64]研究者集合了268名4～7 歲的兒童，使用Dlib68 點提取人臉特征，過程中使用平均臉對比與變形熱圖提取關鍵特征，最后將經過決策樹、XGBoost、SVM 和KNN 方法分類的結果進行對比，得到腺樣體人臉識別的最佳特異性為89.19%，最佳敏感性為88.24%，如表13所示。

表13 模型度量結果 %

Rong 等[65]獲取了400 名打鼾患者面部自然狀態下的正位和斜位照片。在使用支持向量機和PCA 的圖像識別技術中，當AHI≥5 事件/時，算法的敏感性為74%，特異性為88%。在AHI≥30 事件/時的類別中，算法的敏感性提高到80%，特異性提高到91%。結果說明對重癥患者，隨著樣本量的增加，AI 算法的診斷敏感性和特異性也會相應提高，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的顱面出生缺陷，每3 000 個新生兒中就有一個患有半面短小癥。2018年，Cassi等[66]利用一種三維、非侵入性和客觀的方法來精確定位和定量面部不對稱的半面體，對一組患有半面體短小癥的年輕患者的面部不對稱性進行定量分析，并將其與健康受試者的均勻樣本進行比較。研究根據三叉神經分支的分布區域，將面部分為三份，手動選擇三維圖像上的軟組織點，結果表明臉部的下半部更加不對稱，該方法在檢測患者和對照組之間的形態差異方面具有很高的重現性和準確性，因此，它適用于中醫證候和非中醫證候非對稱病理的拓撲分析。

4 結束語

在上述研究中，FDNA 技術的Face2Gene 應用程序能夠幫助不同疾病進行研究測試。文獻[62]關于Tunar綜合征的診斷，將所研究的方法結合到了一個真實的系統中，用于在欠發達地區篩查疑似TS 患者，為TS 患者提供早期發現和早期治療。通過系統的大規模初步篩查和醫院的進一步檢查，為患者提供早期發現和早期診斷，并盡快采取適當的對癥治療方法。該系統會記錄關鍵信息并采集面部圖像，將所有信息輸入系統后就會得出一個實時的診斷結果，可以給醫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，還未能開發出具體的應用投入實際生活中。

由于近幾十年人臉形態學輔助診斷技術在疾病的臨床診斷、分級、預測等方面的不斷應用，使得該技術在人工智能、深度學習等技術的不斷探索下，能夠與醫學科研技術以及醫學護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，針對人臉部形態變化不明顯的疾病，可以使用基于深度卷積神經網絡根據視頻中人臉的變化建立動態模型來觀察，現有研究雖比較少，但證明還是有效果的，可以作為一個發展方向；運用三維面部分析方法來檢測疾病，雖然在部分疾病中達到了較好的效果，但整體上還是因其成本較高，實施困難，使得臨床應用的可行性低；而現針對二維面部圖像的疾病輔助診斷，研究方法較為廣泛，實驗效果也高于臨床醫生的診斷，但是現今研究疾病的種類涉及面較窄，多數疾病樣本的數據量少，疾病臨床特征不明確，進行的實驗數量整體不足，在大規模進行疾病的診斷中缺乏有效性。因此，未來的研究重點應該集中于擴大疾病的研究種類，將通過支持向量機、深度卷積神經網絡或集成方法等構成的改進分類器等具有高性能的診斷框架投入不同疾病的研究，訓練時的數據量越大，模型的準確度就越高，通過大量數據集訓練，將高準確度的研究結合到真實的系統中，開發出契合實際生活的應用，并關注不同疾病的樣本采集工作。引起人臉形態學發生變化的因素有很多種，在研究相關疾病如何快速獲得診斷結果的同時，更應該高度重視，提前預防。