DeciFace: Dešifrujte vliv etnického původu na dysmorfické rysy obličeje u vzácných mendelovských poruch

Genetická porucha a fenotyp obličeje

Existuje více než 7000 známých genetických poruch a počet postižených se odhaduje na 6–10 % populace1. Přibližně 30 až 40 % genetických poruch má fyzické změny v obličeji a lebce, jako je Downův syndrom nebo syndrom křehkého X. Známý obličejový fenotyp mnoha genetických poruch je proto vysoce informativní pro klinickou diagnózu. Jak každý ví, rychlá a přesná diagnostika genetických poruch je nezbytná pro prevenci potenciálních zdravotních problémů. Pro klinické genetiky a pediatry to vyžaduje vysoký stupeň zkušeností a odbornosti k diagnostice genetických poruch prostřednictvím fenotypu obličeje. V této otázce však existují určitá dilemata. Za prvé, rozpoznání neklasické prezentace nebo ultravzácné genetické poruchy je omezeno předchozími zkušenostmi jednotlivých lidských expertů. Za druhé, některé genetické poruchy budou na klinice zmatené, protože mají několik podtypů (více než jeden typický fenotyp) nebo překrývající se obličejové charakteristiky s jinými poruchami, jako je syndrom Cornelia de Lange. A konečně, obtížnost diagnostiky se zvýší v důsledku toho, že fenotyp obličeje je někdy široký nebo se stává výraznějším s věkem, jako je mukopolysacharidóza. Stručně řečeno, diagnostika genetické poruchy prostřednictvím fenotypu obličeje stále představuje výzvu.

Automatická analýza obličeje

Výzkum počítačově podporovaného rozpoznávání se již dlouho zabývá problémy souvisejícími s analýzou obličeje, zejména u neklasických prezentací nebo velmi vzácných genetických poruch. Jinými slovy, používání počítačových systémů jako pomůcky nebo reference pro lékaře je stále důležitější2-6. V posledních letech je Face2Gene (FDNA Inc., Boston MA, USA) novým a široce používaným nástrojem k detekci fenotypu obličeje a rozpoznávání dysmorfických rysů z dvojrozměrných (2D) frontálních fotografií2. Technologie FDNA (face dysmorphism novel analysis) ve Face2Gene se nazývá DeepGestalt, která staví na hlubokých konvolučních neuronových sítích (DCNN) a využívá počítačové vidění a algoritmy hlubokého učení. Vysokoúrovňový tok DeepGestalt je popsán Yaronem Gurovichem et al.. Nejprve je předzpracování nového vstupního obrazu k dosažení detekce obličeje, detekce orientačních bodů a zarovnání a poté oříznutí vstupního obrazu do oblastí obličeje. Druhým je přivedení každé oblasti do DCNN a získání softmax vektoru, který indikuje jeho shodu s každým syndromem v modelu. Třetí je agregace a třídění výstupních vektorů všech regionálních DCNN, aby se získal konečný seřazený seznam genetických poruch. Část pro DCNN architekturu DeepGestalt je následná. V síti je deset konvolučních vrstev a všechny kromě poslední jsou následovány dávkovou normalizací a rektifikovanou lineární jednotkou (ReLU). Sdružovací vrstva se aplikuje po každém páru konvoluční (CONV) vrstvy (maximální sdružování po prvních čtyřech párech a průměrné sdružování po pátém páru). A pak po vrstvách CONV následuje plně spojená vrstva s výpadkem (0,5) a vrstva softmax. Proto se po každé sdružovací vrstvě objeví vzorová tepelná mapa. Porovnáním nízkoúrovňových rysů prvních vrstev a vysokoúrovňových rysů finální vrstvy, poslední vrstva dokáže identifikovat složitější rysy ve vstupním obrazu a mají tendenci objevit charakteristické rysy obličeje, když zmizí rysy související s identitou. V současné době je model DeepGestalt trénován na datovém souboru více než 17 000 snímků pokrývajících více než 200 různých genetických poruch kurovaných prostřednictvím Face2Gene, komunitně řízené fenotypizační platformy.

Článek identifikující obličejové fenotypy genetických poruch pomocí hlubokého učení poskytuje spolehlivost DeepGestalt pro diagnostiku genetických poruch prostřednictvím automatizované analýzy obličeje. Binární gestalt model odlišuje konkrétní poruchu od souboru jiných poruch. U syndromu Cornelia de Lange dosahuje DeepGestalt 96,88% přesnosti, 95,67% senzitivity a 100% specificity. U Angelmanova syndromu dosahuje DeepGestalt 92% přesnosti, 80% senzitivity a 100% specificity. Ve srovnání s předchozí související studií mají oba přesnější diagnostickou schopnost. Specializovaný gestalt model se používá ke klasifikaci různých genotypů stejného syndromu. Noonanův syndrom s genovou mutací v PTPN11, SOS1, RAF1, RIT1 nebo KRAS je model používaný pro testování výkonnosti DeepGestalt. V této studii je DeepGestalt zkrácenou verzí a předpovídá pouze pět požadovaných tříd. Výsledkem je přesnost nejvyšší 1 64 %, což je lepší než náhodná šance 20 %, což umožňuje genetikům zkoumat korelace fenotyp-genotyp. Vícetřídní gestalt model spočívá v tom, že DeepGestalt provádí obličejovou gestalt analýzu v měřítku. DeepGestalt má přesnost 90,6 % top-10 v sadě klinických testů a 89,4 % v sadě publikačních testů. Přesnost top-5 a top-1 pro sadu klinických testů dosahuje 85,4 %, respektive 61,3 %, a pro sadu testů publikací 83,2 % a 68,7 %, v tomto pořadí. Proto může lékař dosáhnout lepšího stanovení priorit a diagnostiky genetických poruch prostřednictvím automatizovaného rámce analýzy obličeje. DeepGestalt potenciálně přidává značnou hodnotu k hodnocení fenotypu obličeje genetické poruchy v klinické genetice, molekulární studii a výzkumu.

V roce 2022 na základě předchozí práce Hsieh et al. navrhl GestaltMatcher6, který využíval DCNN trénované na fotografiích pacientů jako kodér k převodu fotografií obličeje na vektory rysů za účelem vytvoření prostoru klinického fenotypu obličeje (CFPS). Poté kvantifikovali podobnost mezi pacienty pomocí kosinusové vzdálenosti dvou vektorů v CFPS. S tímto přístupem mohou vyšetřovatelé podpořit ultravzácné syndromy, které postrádají obrázky, které je třeba trénovat, a posunout podporované syndromy na další úroveň (z 299 na 1 115 syndromů). GestaltMatcher může také identifikovat nové poruchy. Navíc přispívá k dlouhodobé diskusi o odlišitelnosti v rámci nosologie genetických chorob. V současné době je analyzováno 11 nových chorobných genů a čtyři z nich byly předloženy recenznímu časopisu.