Développement et évaluation d'un cadre d'apprentissage profond pour le diagnostic de la malnutrition à l'aide d'un nuage de points faciaux 3D : Une étude transversale

Résumé Contexte La faisabilité de diagnostiquer la malnutrition en utilisant des caractéristiques faciales a été validée. Un outil pour intégrer toutes les caractéristiques faciales associées à la malnutrition pour le dépistage de la maladie est encore demandé. Ce travail vise à développer et à évaluer un cadre d'apprentissage profond (DL) pour déterminer avec précision la malnutrition en se basant sur un nuage de points faciaux 3D. Méthodes Un groupe de 482 patients a été étudié dans ce travail prospectif. Les données faciales 3D ont été obtenues à l'aide d'une caméra 3D et représentées sous forme d'un nuage de points faciaux 3D. Un modèle DL, PointNet++, a été entraîné et évalué en utilisant le nuage de points comme entrées et a classé les états de malnutrition. La performance a été évaluée avec la surface sous la courbe caractéristique de fonctionnement du récepteur, la précision, la spécificité, la sensibilité et le score F1. Résultats Parmi les 482 patients, 150 patients (31,1 %) ont été diagnostiqués comme ayant une malnutrition modérée et 54 patients (11,2 %) comme ayant une malnutrition sévère. Le modèle DL a obtenu une performance avec une surface sous la courbe caractéristique de fonctionnement du récepteur de 0,7240 ± 0,0416. Conclusion Le modèle DL a atteint une performance encourageante en classifiant avec précision les états nutritionnels sur la base d'un nuage de points d'informations faciales 3D de patients présentant une malnutrition.