DeciFace: Entschlüsseln Sie den Einfluss ethnischer Herkunft auf die dysmorphen Gesichtsmerkmale seltener Mendelscher Störungen

Genetische Störung und Gesichtsphänotyp

Es sind mehr als 7.000 genetische Störungen bekannt, und die Zahl der Betroffenen wird auf etwa 6–10 % der Bevölkerung geschätzt1. Etwa 30 bis 40 % der genetischen Erkrankungen haben körperliche Veränderungen im Gesicht und am Schädel, wie zum Beispiel das Down-Syndrom oder das Fragile-X-Syndrom. Daher ist der bekannte Gesichtsphänotyp vieler genetischer Störungen für die klinische Diagnose äußerst aussagekräftig. Wie jeder weiß, ist eine schnelle und genaue Diagnose genetischer Störungen unerlässlich, um möglichen Gesundheitsproblemen vorzubeugen. Für klinische Genetiker und Kinderärzte ist ein hohes Maß an Erfahrung und Fachwissen zur Diagnose genetischer Störungen anhand des Gesichtsphänotyps erforderlich. Allerdings gibt es bei diesem Problem einige Dilemmata. Erstens wird die Erkennung einer nichtklassischen Erscheinung oder einer äußerst seltenen genetischen Störung durch die Vorerfahrung des einzelnen menschlichen Experten eingeschränkt. Zweitens werden einige genetische Störungen in der Klinik verwechselt, weil sie einige Subtypen (mehr als einen typischen Phänotyp) aufweisen oder sich Gesichtsmerkmale mit anderen Erkrankungen überschneiden, wie zum Beispiel dem Cornelia-de-Lange-Syndrom. Schließlich wird die Diagnose schwieriger, da der Gesichtsphänotyp manchmal ein breites Spektrum aufweist oder mit zunehmendem Alter stärker hervortritt, wie z. B. bei der Mukopolysaccharidose. Kurz gesagt, die Diagnose genetischer Störungen anhand des Gesichtsphänotyps stellt immer noch eine Herausforderung dar.

Automatisierte Gesichtsanalyse

Die Forschung zur computergestützten Erkennung befasst sich seit langem mit Problemen im Zusammenhang mit der Gesichtsanalyse, insbesondere bei nicht-klassischer Darstellung oder äußerst seltenen genetischen Störungen. Mit anderen Worten: Die Verwendung computergestützter Systeme als Hilfe oder Referenz für Ärzte wird immer wichtiger2-6. In den letzten Jahren war Face2Gene (FDNA Inc., Boston MA, USA) ein neuartiges und weit verbreitetes Werkzeug zur Erkennung des Gesichtsphänotyps und zur Erkennung dysmorpher Merkmale aus zweidimensionalen (2D) Frontalfotos2. Die FDNA-Technologie (Facial Dysmorphism Novel Analysis) in Face2Gene heißt DeepGestalt, die auf Deep Convolutional Neural Networks (DCNNs) aufbaut und Computer Vision und Deep-Learning-Algorithmen nutzt. Der High-Level-Ablauf von DeepGestalt ist wie von Yaron Gurovich et al. beschrieben. Zuerst wird ein neues Eingabebild vorverarbeitet, um Gesichtserkennung, Erkennung von Orientierungspunkten und Ausrichtung zu erreichen, und dann wird das Eingabebild in Gesichtsbereiche zugeschnitten. Zweitens wird jede Region in ein DCNN eingespeist und ein Softmax-Vektor erhalten, der ihre Entsprechung zu jedem Syndrom im Modell anzeigt. Drittens werden die Ausgabevektoren aller regionalen DCNNs aggregiert und sortiert, um die endgültige Rangliste der genetischen Störungen zu erhalten. Der Teil für die DCNN-Architektur von DeepGestalt ist eine Fortsetzung. Es gibt zehn Faltungsschichten im Netzwerk, und auf alle bis auf die letzte folgen eine Batch-Normalisierung und eine gleichgerichtete lineare Einheit (ReLU). Nach jedem Paar Faltungsschichten (CONV) wird eine Pooling-Schicht angewendet (maximales Pooling nach den ersten vier Paaren und durchschnittliches Pooling nach dem fünften Paar). Und dann folgen auf die CONV-Schichten eine vollständig verbundene Schicht mit Dropout (0,5) und eine Softmax-Schicht. Daher wird nach jedem Pooling-Layer eine Beispiel-Heatmap angezeigt. Beim Vergleich der Low-Level-Merkmale der ersten Schichten und der High-Level-Merkmale der letzten Schicht kann festgestellt werden, dass letztere komplexere Merkmale im Eingabebild identifizieren können und tendenziell charakteristische Gesichtsmerkmale zum Vorschein bringen, wenn identitätsbezogene Merkmale verschwinden. Derzeit wird das DeepGestalt-Modell anhand eines Datensatzes von über 17.000 Bildern trainiert, die mehr als 200 verschiedene genetische Störungen abdecken und über Face2Gene, eine von der Community betriebene Phänotypisierungsplattform, kuratiert werden.

Der Artikel zur Identifizierung von Gesichtsphänotypen genetischer Störungen mithilfe von Deep Learning bietet die Zuverlässigkeit von DeepGestalt bei der Diagnose genetischer Störungen durch automatisierte Gesichtsanalyse. Das binäre Gestaltmodell unterscheidet eine bestimmte Störung von einer Reihe anderer Störungen. Beim Cornelia-de-Lange-Syndrom erreicht DeepGestalt eine Genauigkeit von 96,88 %, eine Sensitivität von 95,67 % und eine Spezifität von 100 %. Beim Angelman-Syndrom erreicht DeepGestalt eine Genauigkeit von 92 %, eine Sensitivität von 80 % und eine Spezifität von 100 %. Im Vergleich zu früheren verwandten Studien verfügen beide über eine präzisere Diagnosefähigkeit. Das spezialisierte Gestaltmodell wird verwendet, um verschiedene Genotypen desselben Syndroms zu klassifizieren. Das Noonan-Syndrom mit einer Genmutation in PTPN11, SOS1, RAF1, RIT1 oder KRAS ist ein Modell zum Testen der Leistung von DeepGestalt. In dieser Studie ist DeepGestalt eine verkürzte Version und sagt nur die fünf gewünschten Klassen voraus. Das Ergebnis ist eine Top-1-Genauigkeit von 64 %, die der Zufallswahrscheinlichkeit von 20 % überlegen ist und es Genetikern ermöglicht, Phänotyp-Genotyp-Korrelationen zu untersuchen. Das Mehrklassen-Gestaltmodell besteht darin, dass DeepGestalt eine maßstabsgetreue Gesichtsgestaltanalyse durchführt. DeepGestalt hat eine Top-10-Genauigkeit von 90,6 % im klinischen Testsatz und 89,4 % im Publikationstestsatz. Die Top-5- und Top-1-Genauigkeit für den klinischen Testsatz beträgt 85,4 % bzw. 61,3 % und für den Publikationstestsatz 83,2 % bzw. 68,7 %. Daher kann die Klinik durch ein automatisiertes Gesichtsanalyse-Framework eine bessere Priorisierung und Diagnose genetischer Störungen erreichen. Potenziell bietet DeepGestalt einen erheblichen Mehrwert für die Bewertung des Gesichtsphänotyps einer genetischen Störung in der klinischen Genetik, molekularen Studien und Forschung.

Im Jahr 2022 haben Hsieh et al. schlug GestaltMatcher6 vor, der auf Patientenfotos trainierte DCNNs als Encoder nutzte, um Gesichtsfotos in Merkmalsvektoren umzuwandeln, um einen Clinical Face Phenotype Space (CFPS) zu bilden. Anschließend quantifizierten sie die Ähnlichkeit zwischen Patienten anhand des Kosinusabstands zweier Vektoren in CFPS. Mit diesem Ansatz können die Forscher die äußerst seltenen Syndrome unterstützen, denen Bilder zum Trainieren fehlen, und die unterstützten Syndrome auf die nächste Stufe bringen (von 299 auf 1.115 Syndrome). GestaltMatcher kann auch neuartige Störungen identifizieren. Darüber hinaus leistet es einen Beitrag zur langjährigen Diskussion über die Unterscheidbarkeit innerhalb der Nosologie genetischer Erkrankungen. Derzeit werden 11 neuartige Krankheitsgene analysiert und vier davon wurden dem Peer-Review-Journal vorgelegt.