基于深度特征与几何先验的特纳综合征面部识别混合框架研究
A hybrid framework for Turner Syndrome facial detection: integrating deep feature learning and geometric prior knowledge under data scarcity
特纳综合征以生长迟缓和先天性卵巢发育不全为特征,传统核型分析耗时且依赖实验室。研究团队提出一种结合深度学习特征与几何先验的混合AI面部识别框架,在数据稀缺条件下训练,并前瞻性队列验证;模型准确率为95.41%,敏感度96.55%,特异度95.24%。
论文介绍一种结合深度学习与几何先验的AI面部筛查框架,作者给出初步准确率和敏感性及前瞻性验证。
- 文章
- 开放获取
- 发表日期:2026年10月22日
- Jiaqi Qiang1 na1,
- Junjie Zhang2,3 na1,
- Xiaohong Lyu4,
- Yuxin Sun1,5,
- Zhouxian Pan6,
- Zhibo Zhou ORCID: orcid.org/0009-0001-0855-91891,
- Gang Xiong ORCID: orcid.org/0000-0002-4303-55592,
- Shi Chen1,
- Hui Pan1,7 及
- …
- Zhen Shen2
npj Digital Medicine (2026) 引用本文
我们提前分享此文章,以提供更快的途径访问经同行评审的已接受研究。本文可被引用,并具有永久性DOI。本版本可能进一步编辑,将自动被最终记录版本(Version of Record)取代。所有法律声明均适用。
摘要
Turner综合征(TS)是一种以生长迟缓 congenital ovarian dysgenesis 为特征的染色体疾病。鉴于其发病率和死亡率较高,早期诊断和及时干预对改善预后至关重要。然而,金标准诊断方法——核型分析,费时且需要专业的实验室技术。由于TS患者通常具有独特的面部特征,基于AI的面部识别可以作为筛查工具,帮助识别具有典型外貌的患者。受信息价值(value-of-information)原则启发,我们提出了一个在数据稀缺条件下整合深度特征学习和几何先验知识的混合框架。我们回顾性地构建了该TS检测的AI面部识别模型,并在前瞻性队列中进行了验证。所提出的框架达到了95.41%的准确率、96.55%的敏感性和95.24%的特异性,极大地简化了诊断过程。当仅在基于难度分层为三个等量组后获得的困难子集上进行训练时,敏感性达到100.00%,表明所有患者均被正确识别。对关键面部区域进行Grad-CAM可视化提高了模型的可解释性,并使预测结果与临床洞察相一致。我们的方法为TS筛查提供了一种低成本且易于获取的途径。通过允许更早地发现TS,特别是在医疗资源受限的环境中,该方法有望促进及时干预。这一新颖范式还为面部识别辅助其他疾病诊断提供了见解。
致谢
国家高水平医院临床研究基金 [2025-PUMCH-A-124];国家自然科学基金 [编号 62461160259,编号 92360307,及 编号 82572642];四川省重点研发项目 [编号 2024YFHZ0011]。
作者信息
作者注
以下作者共同贡献:Jiaqi Qiang、Junjie Zhang。
作者与所属机构
中国医学科学院北京协和医院内分泌科,国家卫生健康委员会内分泌重点实验室
强嘉琪,孙玉新,周志博,陈石 & 潘慧
中国科学院自动化研究所复杂系统及智能技术北京工程研究中心,北京多模态人工智能系统全国重点实验室,中国,北京
张俊杰,熊刚 & 沈振
中国科学院大学人工智能学院,中国,北京
张俊杰
中国医学科学院北京协和医院乳腺外科,中国,北京
吕晓红
中国医学科学院北京协和医学院八年制临床医学专业,中国,北京
孙玉新
北京协和医学院北京协和医院过敏科,北京市过敏性疾病精准诊疗重点实验室,国家皮肤病与免疫学疾病临床研究中心,中国,北京
潘周贤
中国医学科学院北京协和医院疑难重症及罕见病全国重点实验室,中国,北京
潘慧
作者
- 强嘉琪
- 张俊杰
- 吕晓红
- 孙玉新
- 潘周贤
- 周志博
- 熊刚
- 陈石
- 潘慧
- 沈振
通讯作者
伦理声明
利益冲突
作者声明无利益冲突。
附加信息
出版商声明 Springer Nature 对已发表地图中的管辖权主张及机构隶属关系保持中立。
权利与许可
开放获取 本文采用知识共享署名 4.0 国际许可协议授权,允许在任何媒介或格式中以任何方式使用、分享、改编、分发和复制,只要适当署名原作者及来源,提供知识共享许可协议链接,并说明是否作出更改。除非素材的版权归属行另有说明,否则本文的图片或其他第三方材料包含在本文的知识共享许可协议中。如果材料未包含在本文的知识共享许可协议中,且您的预期用途不符合法规规定或超出许可范围,则需要直接从版权所有者处获得许可。要查看此许可协议的副本,请访问 http://creativecommons.org/licenses/by/4.0/。
关于本文
引用本文
Qiang J, Zhang J, Lyu X et al. 数据稀缺条件下整合深度特征学习与几何先验知识的特纳综合征面部识别混合框架。npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-03221-0
收稿日期: 2025年8月25日
接受日期: 2026年8月29日
发表: 2026年10月22日
DOI: https://doi.org/10.1038/s41746-026-03221-0
来源:Nature 健康护理主题 · nature.com