Модель Difface создает трехмерные реконструкции лиц по геномным данным

Черты лица представляют собой уникальный биометрический маркер для идентификации личности, важный в судебной медицине. Группа ученых из Китая предложила модель Difface для точной трехмерной реконструкции лица человека по его генетическим данным. Модель обучили и протестировали на базе данных китайской популяции — на 9674 образцах она показала высокую точность реконструкции и превзошла ранее созданные модели. Учет дополнительных фенотипических данных (возраст, пол, ИМТ) улучшил точность и позволил прогнозировать возрастные изменения лица. Авторы отметили, что при всей эффективности технология вызывает этические вопросы, связанные с конфиденциальностью генетических данных.

Морфология лица — уникальная биометрическая характеристика, которая отражает как генетические, так и экологические факторы. В судебной экспертизе и биометрии лицо играет важную роль в идентификации личности, однако современные технологии реконструкции лица на основе ДНК сталкиваются с рядом трудностей. Среди них — ограниченные знания о генетике лица, технологические проблемы, связанные с высокой размерностью данных и малым объемом выборок, а также влияние большого числа наследственных и средовых факторов на морфологию лица. Для решения этих проблем группа ученых из Китая предложила модель Difface, которая объединяет современные методы генерации изображений и машинного обучения для создания точных 3D-изображений лиц на основе однонуклеотидных полиморфизмов (SNP).

Модель Difface основана на мультимодальном подходе, использующем трансформер и спиральную сверточную нейронную сеть для приведения SNP и трехмерного облака точек, соответствующих чертам лица, к единому пространству признаков низкой размерности. Для повышения точности реконструкции лица авторы применили диффузионную модель, обученную на данных 9674 представителей китайской популяции. 3D-изображения лиц и геномные данные были взяты из трех независимых китайских когорт. Важным компонентом Difface служит сравнительное машинное обучение, которое помогает лучше связывать генетическую информацию с лицевыми характеристиками. Кроме того, модель учитывает дополнительные фенотипические данные, такие как возраст, пол и индекс массы тела (ИМТ), что позволяет прогнозировать изменения лица с возрастом.

После обучения Difface превзошла предыдущие методы реконструкции лица по геному — она достигла точности идентификации 3,33% по ближайшему совпадению (Rank-1). У ранее разработанных моделей Mahdi и Sero эти показатели составили 2,48% и 3,00%, соответственно. Средняя ошибка реконструкции лица составила 3,52 мм по евклидову расстоянию между реальными и сгенерированными изображениями, а включение в параметры диффузионной модели пол, ИМТ и возраст снизило ее до 3,06 мм.

Затем авторы оценили интерпретируемость модели с помощью метода SHAP, опирающегося на кооперативную теорию игр, и поиска полногеномных ассоциаций (GWAS). Это позволило выявить важные генетические маркеры, влияющие на форму лица. Анализ неполных данных показал, что при подаче на вход менее 70% от общего числа SNP точность резко снижалась, а лица становились менее индивидуализированными. Наибольшее снижение точности отмечалось в реконструкции формы носа, особенно при уменьшении SNP до 50% и ниже.

Предложенная модель Difface — инновационный инструмент для трехмерной реконструкции черт лица по геномным данным, демонстрирующий высокую точность и адаптивность при учете дополнительных фенотипических параметров к неполным наборам SNP. Модель перспективна для применения как в судебной экспертизе, так и в персонализированной медицине. Тем не менее, авторы подчеркивают необходимость обсуждения этических и правовых аспектов, связанных с использованием такой технологии, особенно в области судебной медицины и защиты генетической конфиденциальности.

ДНК-идентификация и права человека