At a time of a rapid growth in the population of elderly individuals and at a time of decreased/pressed availability of human healthcare-resources, automated face analysis has the potential to offer efficient and cost-effective methods for monitoring of a number of pathologies.

The author revisits works in automated face analysis, which have focused on designing computer vision algorithms deducing the health state of individuals. Current limitations and benefits are discussed, placing emphasis on the potential that such technology can bring.

Computer vision algorithms, most recently based on deep neural networks have been trained with facial images or videos, jointly with health state annotations from clinical experts, in order to learn such algorithms to deduce facets of health states. Examples of such notable algorithms include approaches detecting stress, depression, apathy, pain, neurological disorder, as well as classification of expressions and phenotypes of genetic disorders.

Such algorithms are evolving rapidly, providing increasingly reliable accuracy and can support clinicians by providing objective measures.

À l’heure où la population de personnes âgées augmente rapidement et où les ressources humaines en matière de soins de santé diminuent ou se raréfient, l’analyse automatisée des visages peut offrir des méthodes efficaces et rentables pour le suivi d’un certain nombre de pathologies.

L’auteur revisite les travaux sur l’analyse automatique des visages, qui se sont concentrés sur la conception d’algorithmes de vision par ordinateur déduisant l’état de santé des individus. Les limites et les avantages actuels sont discutés, en mettant l’accent sur le potentiel que cette technologie peut apporter.

Des algorithmes de vision par ordinateur, récemment basés sur des réseaux neuronaux profonds, ont été entraînés avec des images faciales ou des vidéos, conjointement avec des annotations sur l’état de santé provenant d’experts cliniques, afin d’apprendre à ces algorithmes à déduire des facettes de l’état de santé. Parmi les exemples d’algorithmes remarquables, on peut citer les approches de détection du stress, de la dépression, de l’apathie, de la douleur, des troubles neurologiques, ainsi que la classification des expressions et des phénotypes des troubles génétiques.

Ces algorithmes évoluent rapidement, offrent une précision de plus en plus fiable et peuvent aider les cliniciens en fournissant des mesures objectives.