Kunstig intelligens til analyse af videodata fra ansigtsbevægelse med fokus på myasthenia gravis

Begrundelse: Myasthenia Gravis (MG) er en autoimmun lidelse (AID) med antistoffer mod NMJ, hvilket resulterer i forskellige grader af muskeltrætbarhed og svaghed. Alle stribede muskler kan være involveret, selvom de ekstra-okulære muskler mest påvirkes, hvilket giver anledning til en svingende ptose og diplopi. Ansigtsmuskler påvirkes også ofte, hvilket resulterer i øjenlukningssvaghed, vanskeligheder med at tygge og sluge eller tale svækkelser. Antistoffer mod acetylcholinreceptoren (AChR) er til stede i over 80% af de generaliserede MG -patienter. I den rene okulære form kan ACHR -antistoffer detekteres hos næsten 50% af alle patienter. I cirka 4% findes antistoffer mod den postsynaptiske muskelspecifikke receptor-tyrosinkinase (MUSK), og hos 15% af patienterne med generaliseret sygdom påvises ingen serumantistoffer1-3. Cirka 15% af AChR MG -patienter har et thymom, i hvilket tilfælde sygdommen kan klassificeres som et paraneoplastisk syndrom2. Med en forekomst på 1 til 2 pr. 10.000 betragtes Mg som en sjælden sygdom2.

Sjælden af ​​MG kan gøre det vanskeligt at diagnosticere, specifikt for generelle neurologer, der sandsynligvis vil støde på en patient med MG kun en håndfuld gange i hele deres karriere. Derudover gør sygdommens svingende karakter det vanskeligt at træffe passende behandlingsbeslutninger, især da patienter i hele landet normalt behandles på et specialiseret center (i Holland, LUMC). I øjeblikket er patienter, der er i tvivl om, om de oplever en forværring, nødt til at aftale en aftale og rejse i flere timer for at gennemgå vurdering af deres specialiserede neurolog. Et objektivt, pålideligt biomarkør for sygdomsgrad, der kan bruges derhjemme, ville derfor forbedre livskvaliteten for mange MG -patienter. Nye muligheder inden for moderne teknologier kan støtte læger med alle former for medicinske udfordringer, som at tilbyde diagnostisk støtte, behandlingsbeslutninger eller patientopfølgning. En teknologi af særlig interesse for denne undersøgelse er avanceret ansigtsgenkendelse. Vi sigter mod at studere evnen til eksisterende software (Facereader, Noldus) versus en dyb læringsmodel, der specifikt er udviklet til dette formål af gruppen af ​​Jan Van Gemert ved Tu Delft for at skelne mellem sunde kontroller og patienter med MG og mellem MG -patienter med forskellige niveauer af sygdomsgrad.

Primære mål:

At bestemme og sammenligne det diagnostiske udbytte af to forskellige metoder (Facereader -teknologi og en dyb læringsmodel, der specifikt er udviklet til videodata) til at analysere ansigtssvaghed fra videooptagelser (04: 00M) med forskellige standardiserede ansigtsudtryk til:

1. Skelne mellem MG -patienter og sunde kontroller.
2. Skelne mellem mild og moderat til svær sygdomsgrad.