Umělá inteligence pro analýzu video údajů o pohybu obličeje, se zaměřením na myasthenia gravis

Odůvodnění: Myasthenia Gravis (MG) je autoimunitní porucha (AID) s protilátkami proti NMJ, což vede k různým stupňům únavy svalů a slabosti. Mohou být zapojeny všechny pruhované svaly, ačkoli mimořádně okulární svaly jsou nejčastěji ovlivněny, což vede k kolísající ptóze a diplopii. Obchodní svaly jsou také běžně ovlivněny, což má za následek slabost uzavření očí, obtěžování žvýkání a polykání nebo poruchy řeči. Protilátky proti acetylcholinovému receptoru (ACHR) jsou přítomny u více než 80% generalizovaných pacientů s MG. V čisté oční formě jsou protilátky AChR detekovatelné u téměř 50% všech pacientů. U přibližně 4% jsou nalezeny protilátky proti postsynaptickému svalu specifickému receptoru tyrosinkinázy (Musk) a u 15% pacientů s generalizovaným onemocněním nejsou detekovány žádné sérové ​​protilátky1-3. Přibližně 15% pacientů s AChR MG má thymom, v takovém případě lze onemocnění klasifikovat jako paraneoplastický syndrom2. S prevalencí 1 až 2 na 10 000 je Mg považován za vzácnou onemocnění2.

Rarita MG může ztěžovat diagnostiku, konkrétně pro obecné neurology, kteří se pravděpodobně setkávají s pacientem s MG jen několikrát po celou dobu své kariéry. Kromě toho kolísající povaha onemocnění ztěžuje přijetí odpovídajících rozhodnutí o léčbě, zejména proto, že pacienti v celé zemi jsou obvykle léčeni v jednom specializovaném centru (v Nizozemsku, LUMC). V současné době se pacienti, kteří jsou na pochybách, musí zažívat exacerbaci, musí se domluvit a cestovat po dobu několika hodin, aby podstoupili posouzení svým specializovaným neurologem. Objektivní a spolehlivý biomarker pro závažnost onemocnění, který lze použít doma, by proto pro mnoho pacientů s MG výrazně zlepšil kvalitu života. Vznikající možnosti v moderních technologiích mohou podporovat lékaře se všemi druhy lékařských výzev, jako je nabídka diagnostické podpory, rozhodnutí o léčbě nebo sledování pacienta. Technologie zvláštního zájmu pro tuto studii je pokročilé uznání obličeje. Naším cílem je studovat schopnost stávajícího softwaru (FaceReader, Noldus) versus hluboký model učení specificky vyvinutý pro tento účel skupinou Jan Van Gemert v TU Delft rozlišovat mezi zdravými kontrolami a pacienty s MG a mezi MG pacienty s různými úrovněmi závažnosti onemocnění.

Primární cíle:

K určení a porovnání diagnostického výnosu dvou různých metod (technologie facereader a model hlubokého učení speciálně vyvinutého pro video data) pro analýzu slabosti obličeje z videozáznamů (04: 00 m) s různými standardizovanými výrazy obličeje na:

1. Rozlišujte mezi pacienty s MG a zdravými kontrolami.
2. Rozlišujte mezi mírnou a střední závažnou závažností onemocnění.