# 原型学习

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。

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。