DeciFace: Dechifrer indflydelsen af ​​etniske baggrunde på ansigtets dysmorfe træk ved sjældne mendelske lidelser

Genetisk lidelse og ansigtsfænotype

Der er mere end 7000 kendte genetiske lidelser, og antallet af berørte skønnes at være omkring 6-10 % af befolkningen1. Omkring 30 til 40 % af genetiske lidelser har fysiske ændringer i ansigtet og kraniet, såsom Downs syndrom eller Fragilt X-syndrom. Derfor er den kendte ansigtsfænotype for mange genetiske lidelser meget informativ for klinisk diagnose. Som alle ved, er en hurtig og præcis diagnose af genetiske lidelser afgørende for at forhindre potentielle sundhedsproblemer. For kliniske genetikere og børnelæger har det brug for en høj grad af erfaring og ekspertise til at diagnosticere genetiske lidelser gennem ansigtsfænotype. Der er dog nogle dilemmaer for dette problem. For det første er anerkendelse af ikke-klassisk præsentation eller ultra-sjælden genetisk lidelse begrænset af den individuelle menneskelige eksperts tidligere erfaring. For det andet vil nogle genetiske lidelser blive forvirrede i klinikken, fordi de har nogle få undertyper (mere end én typisk fænotype) eller overlappende ansigtskarakteristika med andre lidelser, såsom Cornelia de Langes syndrom. Endelig vil sværhedsgraden af ​​diagnosticering øges på grund af, at ansigtets fænotype nogle gange er bredt spektrum eller bliver mere fremtrædende efter alder, såsom mucopolysaccharidosis. Kort sagt, diagnosticering af genetisk lidelse gennem ansigtsfænotype har stadig en udfordring.

Automatiseret ansigtsanalyse

Forskningen i computerstøttet genkendelse har længe beskæftiget sig med ansigtsanalyse-relaterede problemer, især for ikke-klassisk præsentation eller ultra-sjældne genetiske lidelser. Med andre ord bliver det stadig vigtigere at bruge computersystemer som en hjælp eller reference for klinikere2-6. I de seneste år har Face2Gene (FDNA Inc., Boston MA, USA) været et nyt og meget brugt værktøj til at opdage ansigtsfænotyper og genkende dysmorfe træk fra todimensionelle (2D) frontale fotografier2. Facial dysmorphism novel analysis (FDNA)-teknologien i Face2Gene kaldes DeepGestalt, som bygger på dybe konvolutionelle neurale netværk (DCNN'er) og bruger computersyn og deep learning-algoritmer. Højniveauflowet af DeepGestalt er som beskrevet af Yaron Gurovich et al.. Først er det at forbehandle et nyt inputbillede for at opnå ansigtsgenkendelse, vartegnsdetektion og justering og derefter beskære inputbilledet til ansigtsområder. For det andet fodres hver region ind i en DCNN og opnå en softmax-vektor, som angiver dens overensstemmelse med hvert syndrom i modellen. For det tredje er at aggregere og sortere outputvektorerne fra alle regionale DCNN'er for at opnå den endelige rangerede liste over genetiske lidelser. Delen til DCNN-arkitekturen i DeepGestalt er som en opfølgning. Der er ti foldningslag i netværket, og alle undtagen den sidste er efterfulgt af batchnormalisering og en retificeret lineær enhed (ReLU). Et poolinglag påføres efter hvert par foldningslag (CONV) (maksimal pooling efter de første fire par og gennemsnitlig pooling efter det femte par). Og så efterfølges CONV-lagene af et fuldt forbundet lag med dropout (0,5) og et softmax-lag. Derfor vises et prøvevarmekort efter hvert poolingslag. Ved at sammenligne de første lags træk på lavt niveau og det sidste lags træk på højt niveau, kan sidstnævnte identificere mere komplekse træk i inputbilledet og har haft en tendens til at fremstå karakteristiske ansigtstræk, når identitetsrelaterede træk forsvinder. I øjeblikket er DeepGestalt-modellen trænet på et datasæt med over 17.000 billeder, der dækker mere end 200 forskellige genetiske lidelser, kureret gennem Face2Gene, en fællesskabsdrevet fænotypingsplatform.

Artiklen, der identificerer ansigtsfænotyper af genetiske lidelser ved hjælp af deep learning, giver DeepGestalts pålidelighed til at diagnosticere genetiske lidelser gennem automatiseret ansigtsanalyse. Den binære gestaltmodel adskiller en specifik lidelse fra en række andre lidelser. For Cornelia de Langes syndrom opnår DeepGestalt 96,88 % nøjagtighed, 95,67 % sensitivitet og 100 % specificitet. For Angelman syndrom opnår DeepGestalt 92 % nøjagtighed, 80 % sensitivitet og 100 % specificitet. Sammenlignet med tidligere relateret undersøgelse har begge en mere præcis diagnoseevne. Den specialiserede gestaltmodel bruges til at klassificere forskellige genotyper af det samme syndrom. Noonan syndrom med en genmutation i PTPN11, SOS1, RAF1, RIT1 eller KRAS er en model, der bruges til at teste ydeevnen af ​​DeepGestalt. I denne undersøgelse er DeepGestalt en trunkeret version og forudsiger kun de fem ønskede klasser. Resultatet er top-1-nøjagtigheden på 64%, hvilket er bedre end den tilfældige chance på 20%, hvilket giver genetikere mulighed for at undersøge fænotype-genotype-korrelationer. Multi-klasse gestaltmodel er, at DeepGestalt udfører ansigtsgestaltanalyse i skala. DeepGestalt har en 90,6 % top-10 nøjagtighed på det kliniske testsæt og 89,4 % på publiceringstestsættet. Top-5- og top-1-nøjagtigheden for det kliniske testsæt opnår henholdsvis 85,4% og 61,3%, og for publikationstestsættet henholdsvis 83,2% og 68,7%. Derfor kan den kliniske nå bedre prioritering og diagnosticering af genetiske lidelser gennem en automatiseret ansigtsanalyseramme. Potentielt tilføjer DeepGestalt betydelig værdi til evaluering af ansigtsfænotypen af ​​en genetisk lidelse i klinisk genetik, molekylær undersøgelse og forskning.

I 2022, baseret på det tidligere arbejde, Hsieh et al. foreslog GestaltMatcher6, som brugte DCNN'er trænet på patienters fotos som en koder til at konvertere ansigtsfotos til featurevektorer for at danne et Clinical Face Phenotype Space (CFPS). De kvantificerede derefter ligheden blandt patienter ved cosinusafstanden af ​​to vektorer i CFPS. Med denne tilgang kan efterforskerne støtte de ultra-sjældne syndromer, der mangler billeder, der skal trænes og skubbe de understøttede syndromer til det næste niveau (fra 299 til 1.115 syndromer). GestaltMatcher kan også identificere nye lidelser. Desuden bidrager det til den mangeårige diskussion om skelnbarhed inden for genetiske sygdommes nosologi. I øjeblikket er der 11 nye sygdomsgener under analyse, og fire af dem blev indsendt til peer-review-tidsskriftet.