Gesichtsanalyse

Die Gesichtsanalyse ist ein KI-gestützter Prozess, der Gesichtsmerkmale auf Fotos oder Live-Videos findet, kartografiert und analysiert, um mehr darüber zu erfahren, wie eine Person aussieht und wie sie sich fühlt. Gesichtszüge (wie Augen-, Nasen- und Mundgeometrie), Hautmerkmale (wie Textur, Poren, feine Linien und Pigmentierung) und emotionale Anzeichen (wie Glück oder Überraschung) sind einige der üblichen Ergebnisse. Einige Systeme versuchen, das Alter, den Grad der Aufmerksamkeit und die Kopfposition der Person zu erraten. Andere verwenden Bilder, um Hautmaße wie Hydratationsmodelle oder Farbindizes zu ermitteln. Es ist wichtig zu beachten, dass eine Gesichtsanalyse nicht mit einer medizinischen Untersuchung gleichzusetzen ist. Es gibt Ihnen nur Hinweise und Trends, keine professionellen Meinungen. In den meisten Fällen zeigen Anbieter Ergebnisse anhand von Bildschirmen, PDFs oder API-Feldern an, die Sie mit Genehmigung in einer EHR oder einem CRM speichern können.

Erfassen, Identifizieren, Analysieren und Berichten sind die vier Schritte, die die meisten Prozesse erfordern. Zunächst zeichnet eine Kamera RGB-Bilder und manchmal auch IR/UV- oder polarisierte Bilder auf. Ein Computer-Vision-Modell findet das Gesicht und seine Markierungen wie Augen, Pupillen, Nasenrücken und Lippenkonturen. Es sorgt dann dafür, dass das Bild in Bezug auf Größe und Beleuchtung normal wird. Deep-Learning-Modelle (CNNS/Transformers) nehmen Merkmale heraus, um Emotionen in Gruppen zu sortieren, das Alter oder den Hauttyp einer Person zu erraten oder Bereiche (wie Gesicht oder Wangen) aufzuteilen, um genauere Messwerte zu erhalten. Die Ergebnisse werden addiert, die Videoergebnisse werden im Laufe der Zeit geglättet, und es werden Konfidenzwerte angegeben, sodass die Bediener entscheiden können, wem sie vertrauen und wann sie einen weiteren Scan durchführen möchten.

Wie genau es ist, hängt von der Kamera, der Beleuchtung, der Anzahl der verschiedenen Hauttöne in den Trainingsdaten, der Kopfhaltung und davon ab, ob die Person Make-up, Brille oder Maske trägt. Einige Beispiele für gute Systeme, die Fehler melden, sind der mittlere absolute Fehler bei der Altersschätzung, F1 für Stimmungsklassen und IoU auf Pixelebene für die Hautsegmentierung. Du kannst dir des Gesichts sicherer sein, wenn es nach vorne schaut, gut ausgeleuchtet (diffuses, gleichmäßiges Licht) und mit 720p oder höher aufgenommen wurde. Bei unscharfer Bewegung, scharfen Schatten, extremen Blickwinkeln oder zu starker Belichtung sinkt die Genauigkeit. Um zu vermeiden, dass Sie zu einer falschen Entscheidung kommen, sollten Sie immer Ihre Konfidenzwerte überprüfen und Workflows wie „Erneut scannen, wenn die Konfidenz < 0,7 ist“ einrichten.

Die meisten KI-basierten Tools können mit einem Smartphone, Tablet oder einer Webcam verwendet werden. Für den professionellen Einsatz müssen Kioske mit Ringlichtern und einheitlichen Hintergründen verfügbar sein. Bei Hautuntersuchungen sind die Ergebnisse besser, wenn ein konstanter Abstand (30—50 cm) und eine diffuse Beleuchtung (eine Softbox oder ein Ringlicht) herrschen. Einige Anbieter bieten Multispektral- oder UV-Geräte an, mit denen Sonnenschäden oder Pigmentierungen leichter zu erkennen sind. Ein stabiler Rahmen (Stativ oder Ständer), ein neutraler Hintergrund und Gegenstände, die Licht reflektieren, sollten mitgenommen werden. Wenn Sie ständig Dinge analysieren, z. B. in einem Geschäft, platzieren Sie die Kameras so, dass die Leute sie sehen können, und entscheiden Sie, wie viel Licht von außen hereinkommt.

Seien Sie vorsichtig mit Gesichtsinformationen. Geben Sie immer eine klare Genehmigung, aus der hervorgeht, was aufgenommen wird, warum, für wie lange und wer es sehen kann. Du musst die Rechte der Menschen respektieren, auf ihre Daten zuzugreifen und sie zu löschen (DSGVO/CCPA) und so wenig Daten wie möglich sammeln (wenn möglich, speichere abgeleitete Daten anstelle von Rohbildern). Wenn der Anwendungsfall US-Gesundheitsdaten umfasst, stellen Sie sicher, dass diese durch HIPAA geschützt sind (BAA, Verschlüsselung im Speicher und bei der Übertragung, Audit-Tracks). Wenn die Verarbeitung in der Cloud erfolgen muss, verwenden Sie regionale Rechenzentren, strenge Aufbewahrungsregeln und Pseudonymisierung. Die Verarbeitung auf dem Gerät oder temporäre Dateien sind besser. Bei Operationen mit hohem Risiko sollten Sie eine DPIA oder PIA ausstellen.

Einige Modelle sind möglicherweise nicht für alle Hauttöne, Altersgruppen oder Geschlechter genau, wenn sie anhand von Datensätzen trainiert wurden, die nicht repräsentativ für die Gesamtbevölkerung sind. Bitten Sie den Anbieter oder Anbieter, Ihnen Leistungsergebnisse zu geben, die nach demografischen Gruppen aufgeschlüsselt sind, sowie Tests zur Fairness zwischen diesen Gruppen. Ausgewogene Daten, eine kontinuierliche Neubewertung und die Festlegung der Grenzen pro Gruppe können alle helfen. Wenn Sie sich bei einer Wahl nicht sicher sind oder sie sensibel ist, lassen Sie sie sich von einer Person ansehen. Verwenden Sie außerdem niemals Emotionsinferenz für Ergebnisse, bei denen viel auf dem Spiel steht (z. B. bei der Einstellung von Mitarbeitern), ohne eine aussagekräftige Bestätigung und Rechtsberatung. Informieren Sie die Endbenutzer über die Zweifel.