罕见病面部筛查换了解释方式：ProtoGestalt把判断钉在眉眼鼻颊，匹配对照下准确率0.85
核心概要
罕见遗传病常在初诊时被漏掉，而现有面部诊断模型多为端到端黑箱，难以说明依据。ProtoGestalt在PIP-Net原型学习上加入面部关键点约束，让每个原型只能从指定的十个解剖区域取证据，预测由这些局部原型相加而成。在按年龄、性别、族裔匹配的对照上，它区分综合征与未患病面孔的准确率为0.85，区域约束版本为0.73；对照数量增加时AUPRC下降但仍高于0.70。
深度剖析
面部图像筛查罕见遗传病多了一个可解释的选项：模型不再只给综合征标签，而是把判断拆成若干可定位的面部区域证据。 此前面部罕见病诊断的DeepGestalt与GestaltMatcher都是端到端模型，不提供把具体、临床可解释的表型特征归到单个患者或疾病上的机制。 在按年龄、性别、族裔匹配的UTKFace对照上，全局池化版本区分综合征与对照的准确率为0.85，区域掩码版本为0.73；在未匹配的UTKFace对照上两者分别为0.94和0.86。
做法是在原型学习里加一道空间硬约束，让每个原型只负责一张脸上的一块解剖区域。 PIP-Net原本用全局最大池化汇总原型激活，原型无论在哪里激活最强都能贡献预测，激活位置还会随图像变化。 每个原型按轮转方式分配到左眼、右眼、左右眉、鼻、左右颊、嘴、下巴、额头十个区域，区域由MediaPipe Face Mesh关键点索引定义，池化只在掩码内取最大值，掩码没有可学习参数。
区域约束让证据更集中，但代价是召回下降，这一取舍在多个骨干网络上都能看到。 在五个骨干网络上，区域掩码使其中四个的Top-1准确率上升，但对更高排名的准确率影响不一。 IResNet100上区域掩码取得最高Top-1准确率33.56%，而全局最大池化取得最高Top-5和Top-10准确率52.27%和59.86%。
启示与展望
评估覆盖GMDB-Frequent的882张测试图像与GMDB-Rare的1309张图像，对照来自CASIA-WebFace与UTKFace，并另建按年龄、性别、族裔匹配的UTKFace队列；原型一致性与临床相关性只在Cornelia de Lange综合征上做了案例分析。
CASIA-WebFace与UTKFace中个体的临床状态不可得，被假定不患罕见病，其中可能包含未确诊者；用区域掩码原型表示训练的逻辑回归区分对照来源数据集的AUPRC为0.8，提示未匹配对照可能抬高筛查表现；区域掩码在若干实验中降低了召回或整体预测性能；原型一致性尚未做跨综合征的系统评估。