人工智能识别人脸对称性的应用研究

张哲儒 郭佳 张旭 贾骏麒 常士平 田磊 马秦

利用X线头影测量分析患者颅颌面畸形是一种客观的、被广泛应用于临床以评价患者面部形态特征的重要方法[1]。目前，面部不对称畸形的患者在接受正颌手术前后均需要拍摄正、侧位X线头影测量片供医师术前手术设计、术后跟踪患者面部形态调整后的稳定性[2]。然而，由于患者依从性较差、医学知识普及不全面，很多患者在术后常不能及时进行影像学复查并将之提供给医师。为此，开发一种更便捷的面部形态分析工具是十分有必要的。

近几年，人工智能技术的快速发展为解决上述问题带来了新的思路[3]。人工智能可以正确收集、采纳并分析外部数据，通过学习的方式实现特定的任务和目标[4]。本文利用较成熟的面部识别模型读取患者正面照片得到面部形态特征数据，将之与使用Grummons分析法分析正位X线头影测量片得到的面部对称性数据进行对比，从而考量目前常用的人工智能模型识别面部形态的准确性，为下一步拓展应用打下坚实基础[5]。

1 资料与方法

1.1 基本资料

收集2017 年1 月～2019 年6 月期间在第四军医大学口腔医院就诊的颅颌面畸形的患者512 例，其中男性244 例，女性268 例；年龄17～29 岁，平均年龄22 岁。在患者就诊时拍摄术前自然头位正面照及正位X线头影测量片。拍摄时，引导患者处于自然头位：患者应端坐位，并在患者面前1 m处竖直立置一面镜子，引导患者自然放松肩颈部，双眼平视镜中人像双眼，嘱患者保持姿势后用Nikon D7500数码相机(尼康公司，日本)拍摄正位照片；同样的在获得患者标准头位后，拍摄患者正位头影测量片。获得相应资料后对患者资料进行随机命名以减少人为偏倚。

1.2 人工智能算法的构建

本研究设计的程序环境为Windows 10及Python 3.7，在配置好CMake基本运算环境后，安装Dlib运算库，再根据Dlib提供的开放接口编写人像识别程序。本研究人工智能算法的设计逻辑见图1； Dlib 68点人像识别示例见图2。

图1 人工智能算法的设计逻辑

图2 正面照Dlib 68点人工智能识别示例

1.3 分析方法

正位X线头影测量片利用Dolphin 11.8软件并采用Grummons分析法进行分析，正位X线头影测量片关键点标记见图3，输出数据类型见表1。分析过程是由2 名专业医师独立操作软件完成，最终整合数据时取两次测量数据的平均值。根据输出数据特点，将左右侧距离数据作比得到的比值作为最后用于差异性检验的左右侧面部对称性差异数据；同时保留眶平面及咬合平面角度的数据。

照片分析采用上述人工智能算法进行分析，并按照一定的方法进行同列别数据的转换(表2)，最终输出数据类型与X线头影测量片分析数据一致(Dlib 68点模型及本研究自编程序下载链接：https://pan.baidu.com/s/1slJk8K6Khp8zVYz7IFksSg)。

1.4 统计学分析

Z： 颧额缝; ZA: 颧弓; J：颧牙槽嵴、GA： 下颌角角前切迹; CG： 鼻根投影点; A: 前鼻棘点; M： 颏点

表1 人脸正面对称性考察项目

表2 正面照对应头影测量的计算方法

2 结 果

两种分析方法各指标的比较分析的结果见表3。 头影测量片与正面照分析结果中，线距数据比较： GA ∶AG、JL ∶JR、ZaL ∶ZaR、ZL ∶ZR、GAM ∶AGM经t检验无显著统计学差异(P>0.05)；而角度数据：OPT、A-Me-MSR经t检验有显著的统计学差异(P<0.05)。值得一提的是，我们在统计数据时观察到有近75%的患者表现出右面部测量数据大于左面部相应数据，即“右脸大于左脸”。

表3 2 种分析方法各指标的比较分析

3 讨 论

由于我国存在医疗资源分配不均衡的现象[6]，医患之间存在专业知识代沟，因此发展一项能够协助医患之间进行沟通的技术是时代所需的[7]。目前通过智能系统辅助医学教学和见习实习的实例已经十分常见[8]，进一步引入人工智能解决上述问题已经有了部分实践基础。20 世纪70 年代初，美国就已开发出了一套智能医疗系统以诊断感染性疾病并能开具抗生素处方[9]。在过去的十年间，医疗领域逐渐出现了许多人工智能应用的案例，主要体现在以下几个方面[10-12]： (1)辅助诊断：它能够帮助医师分析影像资料并提供参考诊断[13]。目前，该技术有高效率、高准确性、高稳定性和学习能力这4 个特点；(2)机器人外科：人工智能与手术机器人结合可以有效的提高手术的准确性，减少术后并发症[14-15]； (3)智能护理：目前人工智能可以做到实时监测患者术后恢复情况，并将数据汇总分析后自动生成的报告提供给医师及患者家属参考使用[16]。

本研究将成熟的消费级人工智能模型引入口腔颌面外科领域，除验证目前模型的准确性之外还能够为将来利用大量的临床数据自行训练人工智能模型提供一定的指导意义。在本研究中，正面照测量面部双侧关键点到正中参考线的距离之比的结果与X线头影测量得到的相应数据相比没有明显差异，能够基本满足在临床应用时对患者面部对称性变化的考察。这样的结论给人工智能程序在口腔颌面外科领域的应用带来了几点优势： (1)效率高：正位X线头影测量片不仅仅需要特殊的X线机，同时还需要患者在影像科及口腔科室之间往来，而人工智能程序仅仅需要一张正面照，椅位之间即可完成数据的测量；(2)伤害低：频繁的利用传统方法中X线头影测量片会明显增加患者接受辐射剂量，对患者健康造成损伤，人工智能能够有效的避免这个问题的发生；(3)客观性好：人工智能程序对患者面部的分析不会被患者容貌、性格及心理状态影响，甚至还能够对不同时间点的测量值进行前后对比，使得患者对面部变化掌握的更加全面。

然而，本研究中也有一些不足。研究结果提示本研究的算法及该人工智能模型并不能准确计算面部偏斜的角度数据，可能的原因有两点：一是本人工智能模型的训练基于正常人群的正面照片，在识别偏颌畸形患者时极易出现中线的偏移，未来可收集更多的不对称牙颌面畸形患者的资料，对人工智能模型进行加强学习，促进模型识别准确性；二是本研究纳入的病例数较少，未来还需要收集更多的患者资料，通过大样本量得到相对更为科学的结论；还有由于目前并没有一个广泛认可的中国人正貌形态数据量表，因此本研究很难通过具体的正貌形态数据衡量本研究结果的准确性；未来可以通过多中心临床研究得到大量中国人正貌形态数据，并以此建立中国人正貌形态标准。

综上所述，目前人工智能技术可以在一定程度上考量患者面部对称性，其结果接近X线头影测量结果，能够减少人工操作时间和成本，未来经过一定的完善后值得在临床上推广使用。