古有神医扁鹊通过“望色、听声”得知蔡桓公的疾病状态，而今，先进的人工智能工具不需询问病史或检查身体，也能看“脸”识“病”。近期，合肥工业大学计算机与信息学院博士生刘雪南与合作者提出了一种面部视频的非接触式房颤筛查新方法。“人们只要打开手机软件，对着屏幕录制一段20秒的面部视频，软件就会将脉搏波、心率、房颤风险等参数反馈给用户。”刘雪南说。
房颤是最常见的心律失常疾病，它会引起一系列并发症，成倍增加脑卒中、心力衰竭等心血管疾病的风险，被称为“隐形杀手”。据统计，我国房颤患者人数高达2000万，并且随着人口老龄化程度的进一步加深，患病率将持续上升。近年来，年轻群体的患病率也在不断增加。然而，房颤很难被诊断。最近的一项研究表明，大约有1/3的房颤患者不知道自己的病情。
随着人工智能和计算机视觉技术的快速发展，基于面部视频的光电容积描记法（VPPG）应运而生。但这项技术对现实生活中各类运动干扰过于敏感，这阻碍了其走向实际应用。“比如，说话、摇头、表情变化等，都会影响VPPG技术的检测结果。”为此，刘雪南提出了VidAF和PFDNet两种房颤抗干扰筛查模型，以解决运动干扰问题。
此前在医院做检查才能知道的结果，为什么现在通过一段视频就能知晓？刘雪南解释说，人们面部皮肤的颜色会随着脉搏出现肉眼不可见的变化，普通摄像头能够捕捉这种肤色变化，从而实现脉搏波的非接触式检测；而房颤患者具有节律不齐、强弱不一的‘脉搏短绌’特征，人工智能依此就可以对房颤风险作出评估。
实验中，刘雪南对100名房颤患者、100名非房颤受试者的1200个样本数据集进行了测试。在受试者面部保持不动的情况下，模型的敏感性和特异性均在0.950以上，Kappa系数为0.931。当受试者出现面部运动时，模型的敏感性为0.975，特异性为0.900，Kappa系数为0.875。实验结果表明，两个模型对运动干扰表现出了显著的鲁棒性，房颤检测结果与临床诊断结果基本一致。
随着公众健康意识的增强，智能手机、电脑等电子设备的普及，以及人工智能、大数据等信息技术的发展，数字健康时代已经到来。中医强调“上工治未病”，即高明的医生希望预防疾病的发生。受这一思想启发，刘雪南计划将中医的“望闻问切”四诊与现代数字健康技术相结合，研发一个面向居家环境的视频非接触式心脏健康评估体系。