自动检测面部弱点使用机器学习(S40.001)

摘要目的:本试验研究的目的是确定一种机器学习算法可以准确地检测面部疲软的静态图像。

背景:早期识别和治疗中风的改善结果。院前筛查工具为急性中风的早期发现提供承诺但有不一致的性能。自动化检测工具可以减少inter-operator可变性和操作员错误。我们假设机器学习算法可以协助检测病理面部弱点使用计算机视觉分析。

设计/方法:两位高级神经病学居民得首页分(n = 333)图像显示正常的微笑和面部的弱点在5范围内。只有图像评价认识提高,评级机构可能正常或可能包括异常进行分析。提取面部地标定位算法使用一个开源的脸检测和地标。惩罚线性判别分析方法被用来处理数据的再分类器算法。我们使用5倍交叉验证方案和计算精度,灵敏度和特异性评估性能。

结果:18 199年的图像分析,图像被排除由于局限在面部具有里程碑意义的提取。剩余的181张照片,87年被评为可能正常,94年被评为可能有面部的弱点。算法执行的准确率达到了93.8% (95% CI[93.4 - -94.2]), 95.8%的敏感性(95.4 - -96.2)和93.8%的特异性(93.4 - -94.2)。

结论:在本试验研究中,我们表明,机器学习算法可以准确地识别面部疲软的静态图像。这些结果支持机器学习算法的进一步评估早期发现急性中风的症状。未来的研究将检查视频分析算法在检测面部弱点和其他急性中风患者的迹象。

披露:乌里韦博士没有披露。麦当劳没有披露博士。庄博士没有披露。林博士没有披露。Arteaga博士没有披露。Dalrymple博士没有披露。worral博士没有披露。罗德博士没有披露。Southerland博士没有披露。