? 刷臉也能看病，圖片來自nvidia.com
撰文 | 李家勁
責編 | 葉水送
● ● ●
“刷臉時代”，來了。我們可以刷臉支付、刷臉解鎖、刷臉考勤，事實上，也可以刷臉看病。
近日，F(xiàn)DNA公司發(fā)布的面部分析框架DeepGestalt可刷臉看病。只需要用手機自拍，它就可以用計算機視覺技術(shù)和深度學習算法，預測可能的遺傳病癥狀和關(guān)聯(lián)的基因突變。它準確度極高，現(xiàn)已擊敗人類專家三次。相關(guān)研究結(jié)果發(fā)布在Nature Medicine上。
? 相關(guān)研究結(jié)果發(fā)布在Nature Medicine上
當然，并不是隨便拍下來的照片就能夠直接讓DeepGestalt來分析。因為不同照片可能有光影、角度和拍照姿勢的區(qū)別，所以要先進行預處理。DeepGestalt會先從圖片中識別出面部輪廓和位置，以及130個面部特征標記。之后，DeepGestalt根據(jù)這些信息將原本的圖片轉(zhuǎn)化成標準輸入圖片。
?Face2Gene通過面部識別，來診斷疾病的病因，圖片來自newscientist.com
專家看病時，一般會觀察整個臉部，也會仔細觀察臉部的各個區(qū)域，如眼睛、鼻子、額頭等。DeepGestalt也不例外，它將圖片分成像眼睛區(qū)、鼻子區(qū)等一些區(qū)域。這些小圖片都會被轉(zhuǎn)化成100像素×100像素的標準黑白圖片。然后，DeepGestalt用深度卷積神經(jīng)網(wǎng)絡（DCNN）對各個區(qū)域計算各種病癥的概率。最后，總結(jié)全部的預測結(jié)果得到各種病癥的可能性排序。那么醫(yī)生就可以根據(jù)這個排序來判斷病人患了什么病。
DeepGestalt的工作原理
知識框
DeepGestalt基于FDNA公司的面部分析工具Face2Gene，本來已使用了超過15萬個病人的數(shù)據(jù)來訓練，DeepGestalt又用了代表200多種癥狀的超過17000張圖片來訓練，因此精確度極高。它在502張圖片上獲得了91%的top-10準確度（預測的前10種可能疾病中有正確的結(jié)果）。另外，DeepGestalt還兩度擊敗了專業(yè)醫(yī)生。它在識別Cornelia de Lange綜合征（CdLS）上獲得96.88%的精確度，還能夠以92%的準確度預測Angelman綜合征；然而，人類專家的準確度分別只有75%和71%。
Noonan綜合征的五種亞型
只通過“看臉”就知道什么病或許已經(jīng)很困難，僅憑“看臉”就能夠確定病因更是“難于上青天”了。要知道，一種遺傳病可能是不同基因上的突變造成的。例如，PTPN11，SOS1，RAF1，RIT1或者KRAS基因發(fā)生突變，都可能導致Noonan綜合征。單單靠臉部圖片，人類專家對此根本無法判斷。但DeepGestalt有64%的概率正確區(qū)分這幾種亞型，比隨機猜的20%正確率要高得多。
FDNA公司的CEO Dekel Gelbman相當樂觀。
“人工智能是個性化醫(yī)療的生命力，將與基因組測序一起成為精準醫(yī)療的標準工具?！?/p>
人臉看病系統(tǒng)的弊端
無可否認，DeepGestalt作為一個自動化面部分析框架，能夠協(xié)助醫(yī)生做出正確的診斷。
然而，像很多其它人工智能系統(tǒng)一樣，很難讓人理解它是如何根據(jù)面部特征作出判斷，1）所以預測結(jié)果可能增加了醫(yī)生的疑惑而不是減少；2）同時，DeepGestalt不能用于健康人，因為它預先假定照片里的人是有某些疾病的。那么，醫(yī)生的經(jīng)驗依然必不可少，在確認病人患病之前，不能使用這個分析工具；3）還有一個隱憂是，比起基因信息，個人照片相當容易獲得，我們需要采取措施來防止濫用。
