[论文解读] Towards an Automatic Diagnosis of Peripheral and Central Palsy Using Machine Learning on Facial Features

C. V. Vletter, Hendrico L Burger+3 more|arXiv (Cornell University)|Jan 27, 2022

Facial Nerve Paralysis Treatment and Research被引用 5

一句话总结

本研究提出一种机器学习方法，利用图像中的68个面部关键点自动分类周围性和中枢性面瘫，使用SVM方法最高达到85.1%的准确率，使用高斯朴素贝叶斯方法达到80.7%的准确率。表现最佳的模型——高斯朴素贝叶斯模型——对中枢性面瘫的敏感度达到80%，这对早期中风检测至关重要；估计将数据集扩展至334张图像，可实现95%的敏感度。

ABSTRACT

Central palsy is a form of facial paralysis that requires urgent medical attention and has to be differentiated from other, similar conditions such as peripheral palsy. To aid in fast and accurate diagnosis of this condition, we propose a machine learning approach to automatically classify peripheral and central facial palsy. The Palda dataset is used, which contains 103 peripheral palsy images, 40 central palsy, and 60 healthy people. Experiments are run on five machine learning algorithms. The best performing algorithms were found to be the SVM (total accuracy of 85.1%) and the Gaussian naive Bayes (80.7%). The lowest false negative rate on central palsy was achieved by the naive Bayes approach (80% compared to 70%). This condition could prove to be the most severe, and thus its sensitivity is another good way to compare algorithms. By extrapolation, a dataset size of 334 total pictures is estimated to achieve a central palsy sensitivity of 95%. All code used for these machine learning experiments is freely available online at https://github.com/cvvletter/palsy.

研究动机与目标

• 开发一种自动、鲁棒的机器学习系统，用于区分临床表现相似但严重程度和紧急程度不同的周围性和中枢性面瘫。
• 用数据驱动、可泛化的机器学习方法替代以往依赖人工定义阈值的规则分类系统。
• 通过在小样本和类别不平衡的数据集上优化模型性能，提高对中枢性面瘫的诊断敏感度——这对中风检测至关重要。
• 评估多种机器学习算法在不同面部关键点特征表示上的表现，以确定最有效的分类策略。

提出的方法

• 本研究使用Palda数据集，包含203张图像：103张周围性面瘫，40张中枢性面瘫，60张健康个体，每张图像均标注有68个面部关键点。
• 使用五种机器学习算法——SVM、随机森林、高斯朴素贝叶斯、k-NN和决策树——在留一法交叉验证（LOOCV）下进行训练与评估，以确保在小样本数据上的鲁棒性。
• 测试了三种特征表示：原始关键点坐标（关键点数据集）、派生的几何度量（度量数据集），以及不包含下颌关键点的版本（无下颌关键点数据集）。
• 通过准确率、中枢性面瘫的敏感度和假阴性率评估模型性能，并使用曲线拟合方法外推实现95%敏感度所需的数据集规模。
• 对每种算法进行超参数调优，并根据验证性能选择表现最佳的模型。
• 提出线性、多项式或曲线拟合的回归模型，用于预测实现目标准确率和敏感度所需的数据集规模。

实验结果

研究问题

• RQ1 机器学习模型能否在使用面部关键点数据分类周围性和中枢性面瘫方面优于现有的规则分类系统？
• RQ2 哪种机器学习算法在中枢性面瘫分类中达到最高准确率和敏感度——这是临床最紧急的情况？
• RQ3 排除特定面部关键点（尤其是下颌）对分类性能有何影响？
• RQ4 使用表现最佳的模型，需要多大规模的数据集才能实现对中枢性面瘫诊断95%的敏感度？
• RQ5 性能曲线是否可以可靠地外推，以预测数据增强对模型敏感度的影响？

主要发现

• 使用四次多项式核的SVM在关键点数据集上达到最高总体准确率85.1%，与在度量数据集上使用100个估计器的随机森林性能相当。
• 高斯朴素贝叶斯模型在中枢性面瘫分类中敏感度最高，达到80%，优于SVM的70%和随机森林的60%。
• 排除下颌关键点后，六种算法中有五种的分类准确率得到提升，表明下颌特征可能引入噪声或降低判别能力。
• 曲线拟合结果表明，使用高斯朴素贝叶斯模型实现中枢性面瘫95%敏感度所需的数据集规模为334张图像。
• 所有模型均正确分类了所有健康个体，表明对健康类别的特异性很强。
• 在度量数据集上，随机森林模型对周围性面瘫病例表现出过拟合迹象，表现为对中枢性面瘫的错误率更高。