論文の概要: Foundation Artificial Intelligence Models for Health Recognition Using Face Photographs (FAHR-Face)

• arxiv url: http://arxiv.org/abs/2506.14909v1
• Date: Tue, 17 Jun 2025 18:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.451314
• Title: Foundation Artificial Intelligence Models for Health Recognition Using Face Photographs (FAHR-Face)
• Title（参考訳）: 顔写真(FAHR-Face)を用いた健康認識のための基礎的人工知能モデル
• Authors: Fridolin Haugg, Grace Lee, John He, Leonard Nürnberg, Dennis Bontempi, Danielle S. Bitterman, Paul Catalano, Vasco Prudente, Dmitrii Glubokov, Andrew Warrington, Suraj Pai, Dirk De Ruysscher, Christian Guthier, Benjamin H. Kann, Vadim N. Gladyshev, Hugo JWL Aerts, Raymond H. Mak,
• Abstract要約: FAHR-Faceは4000万枚の顔画像に基づく基礎モデルです。 年齢推定では、FAHR-FaceAgeは公開データセット上で5.1年の平均絶対誤差が最も低い。 FAHR-FaceSurvivalは死亡の確実な予測を示した。
• 参考スコア（独自算出の注目度）: 3.0938610789627923
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Facial appearance offers a noninvasive window into health. We built FAHR-Face, a foundation model trained on >40 million facial images and fine-tuned it for two distinct tasks: biological age estimation (FAHR-FaceAge) and survival risk prediction (FAHR-FaceSurvival). Methods: FAHR-FaceAge underwent a two-stage, age-balanced fine-tuning on 749,935 public images; FAHR-FaceSurvival was fine-tuned on 34,389 photos of cancer patients. Model robustness (cosmetic surgery, makeup, pose, lighting) and independence (saliency mapping) was tested extensively. Both models were clinically tested in two independent cancer patient datasets with survival analyzed by multivariable Cox models and adjusted for clinical prognostic factors. Findings: For age estimation, FAHR-FaceAge had the lowest mean absolute error of 5.1 years on public datasets, outperforming benchmark models and maintaining accuracy across the full human lifespan. In cancer patients, FAHR-FaceAge outperformed a prior facial age estimation model in survival prognostication. FAHR-FaceSurvival demonstrated robust prediction of mortality, and the highest-risk quartile had more than triple the mortality of the lowest (adjusted hazard ratio 3.22; P<0.001). These findings were validated in the independent cohort and both models showed generalizability across age, sex, race and cancer subgroups. The two algorithms provided distinct, complementary prognostic information; saliency mapping revealed each model relied on distinct facial regions. The combination of FAHR-FaceAge and FAHR-FaceSurvival improved prognostic accuracy. Interpretation: A single foundation model can generate inexpensive, scalable facial biomarkers that capture both biological ageing and disease-related mortality risk. The foundation model enabled effective training using relatively small clinical datasets.
• Abstract（参考訳）: 背景: 顔の外観は、健康への非侵襲的な窓を提供する。 FAHR-FaceAgeと生存リスク予測(FAHR-FaceSurvival)の2つの異なるタスクに対して,4000万以上の顔画像に基づいてトレーニングした基礎モデルであるFAHR-Faceを構築した。 方法: FAHR-FaceAgeは749,935枚の公開画像に対して2段階の微調整を行い、FAHR-FaceSurvivalは34,389枚のがん患者の写真を微調整した。 モデルロバスト性(コスメティック手術,化粧,ポーズ,照明)と独立性(サリエンスマッピング)を広範囲に試験した。 いずれのモデルも,多変量Coxモデルを用いて生存を解析し,臨床予後因子を調整した2つの独立したがん患者データセットで臨床検査を行った。 年齢推定では、FAHR-FaceAgeは公開データセット上で5.1年間の平均絶対誤差が最も低く、ベンチマークモデルよりも優れ、全人類の寿命にわたって正確性を維持していた。 がん患者では、FAHR-FaceAgeは生存予後に先行した顔年齢推定モデルより優れていた。 FAHR-FaceSurvivalは死亡の確実な予測を示し、最もリスクの高い石英は最低の死亡率(調整ハザード比3.22; P<0.001)の3倍以上の死亡率を示した。 両モデルとも, 年齢, 性別, 人種, 癌サブグループにまたがる一般化性を示した。 両アルゴリズムは相補的な相補的な予後情報を提供し,それぞれのモデルが異なる顔領域に依存していることが明らかとなった。 FAHR-FaceAgeとFAHR-FaceSurvivalの組み合わせにより予後の精度が向上した。 解釈:単一ファンデーションモデルは、生物学的年齢と疾患関連死亡リスクの両方をキャプチャする、安価でスケーラブルな顔バイオマーカーを生成することができる。 基礎モデルは比較的小さな臨床データセットを用いた効果的なトレーニングを可能にした。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians [4.795478287106675]
  深層学習は、胸部X線から患者の年齢を正確に推定することを可能にしている。 本稿では,放射線科医と最先端のディープラーニングモデルの比較研究について述べる。 我々は,脳卒中患者の年齢による1.8M胸部X線の異種データベースを用いてモデルを訓練し,モデル精度の限界について検討した。
  論文  参考訳（メタデータ） (2022-07-04T10:09:48Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• EPIC-Survival: End-to-end Part Inferred Clustering for Survival Analysis, Featuring Prognostic Stratification Boosting [0.0]
  epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。 肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
  論文  参考訳（メタデータ） (2021-01-26T21:11:45Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。