- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT05913843
DeciFace: Selvitä etnisen taustan vaikutus harvinaisten Mendelin sairauksien kasvojen dysmorfisiin piirteisiin
Geneettisiä sairauksia tunnetaan yli 7 000, ja niiden lukumäärän arvioidaan olevan noin 6-10 % väestöstä. Noin 30–40 prosentilla geneettisistä häiriöistä on fyysisiä muutoksia kasvoissa ja kallossa, kuten Downin oireyhtymä tai Fragile X -oireyhtymä. Siksi monien geneettisten häiriöiden tunnettu kasvojen fenotyyppi on erittäin informatiivinen kliinisen diagnoosin kannalta.
Koska suuri määrä geneettisiä sairauksia liittyy erityisiin kasvojen fenotyyppeihin, joita on vaikea muistaa, automatisoidut kasvoanalyysit, kuten Face2Gene ja GestaltMatcher, voivat auttaa erilaisiin geneettisiin sairauksiin liittyvien kasvojen fenotyyppien tunnistamisessa ja diagnosoinnissa. Vaikka nykyiset edistysaskeleet koko eksomin sekvensoinnissa (koko eksomin sekvensointi) tai koko genomin sekvensoinnissa (koko genomin sekvensointi) ovat parantaneet huomattavasti geneettisten sairauksien diagnostiikkaa, noin puolet potilaista on edelleen diagnosoimatta.
Potilaille, joilla on erityisiä kasvojen fenotyyppejä, tutkijat uskovat, että yhdistämällä automatisoitu kasvoanalyysi ja kokonaiset eksomin sekvensointitiedot, pitäisi olla mahdollista tarjota nopea ja tarkka diagnostinen malli geneettisten sairauksien geneettisistä mutaatioista. GestaltMatcher Database on harvinaisten sairauksien lääketieteellisen kuvantamisen tietokanta, jonka on kehittänyt professori Peter Krawitz Bonnin yliopistosta, Saksasta. Tietokannan tekoälymoduuli päättelee potilaan mahdollisen diagnoosin potilaan kuvan, iän, sukupuolen, rodun ja kliinisen kuvauksen perusteella. Tietokanta on avoin siihen liittyvien alojen lääketieteen tutkijoille harvinaisten sairauksien diagnosoinnin parantamiseksi.
Tutkijat käyttävät GestaltMatcheria auttaakseen potilaiden diagnosoinnissa ja vertaamaan tarkkuutta ja merkittäviä eroja kasvojen epämuodostumissa taiwanilaisten potilaiden ja eri maiden potilaiden välillä. Ja käytä Eye Trackeria analysoimaan, kuinka lääkärit diagnosoivat potilaita kasvokuvien avulla, ja vertaamaan, onko taiwanilaisten lääkäreiden diagnoosikirjallisuudessa merkittäviä eroja ulkomaisten potilaiden ja taiwanilaisten potilaiden välillä. Hankkeessa analysoidaan myös sitä, miten geneettiset lääkärit Bonnin yliopistossa Saksassa diagnosoivat potilaita, ja verrataan sitä taiwanilaisten lääkäreiden kanssa ymmärtääkseen paremmin potilaan diagnosointiprosessin ja etnisen taustan eroja.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Geneettinen häiriö ja kasvojen fenotyyppi
Geneettisiä sairauksia tunnetaan yli 7 000, ja niiden lukumäärän arvioidaan olevan noin 6-10 % väestöstä1. Noin 30–40 prosentilla geneettisistä häiriöistä on fyysisiä muutoksia kasvoissa ja kallossa, kuten Downin oireyhtymä tai Fragile X -oireyhtymä. Siksi monien geneettisten häiriöiden tunnettu kasvojen fenotyyppi on erittäin informatiivinen kliinisen diagnoosin kannalta. Kuten kaikki tietävät, geneettisten häiriöiden nopea ja tarkka diagnoosi on välttämätöntä mahdollisten terveysongelmien ehkäisemiseksi. Kliinisiltä geneetikoilta ja lastenlääkäreiltä vaaditaan korkeaa kokemusta ja asiantuntemusta geneettisten häiriöiden diagnosoimiseksi kasvojen fenotyypin perusteella. Tässä asiassa on kuitenkin joitakin dilemmoja. Ensinnäkin ei-klassisen esityksen tai erittäin harvinaisen geneettisen häiriön tunnistamista rajoittaa yksittäisen ihmisasiantuntijan aikaisempi kokemus. Toiseksi jotkin geneettiset sairaudet hämmentyvät klinikalla, koska niillä on muutamia alatyyppejä (useampi kuin yksi tyypillinen fenotyyppi) tai päällekkäisiä kasvojen ominaisuuksia muiden sairauksien, kuten Cornelia de Langen oireyhtymän, kanssa. Lopuksi diagnoosin vaikeus kasvaa, koska kasvojen fenotyyppi on joskus laaja kirjo tai tulee näkyvämmäksi iän myötä, kuten mukopolysakkaridoosi. Lyhyesti sanottuna geneettisen häiriön diagnosoinnissa kasvojen fenotyypin avulla on edelleen haasteita.
Automaattinen kasvoanalyysi
Tietokoneavusteisen tunnistamisen tutkimuksessa on jo pitkään käsitelty kasvoanalyysiin liittyviä ongelmia, erityisesti ei-klassisen esityksen tai erittäin harvinaisten geneettisten häiriöiden yhteydessä. Toisin sanoen tietokonejärjestelmien käyttäminen kliinikoiden apuvälineenä tai referenssinä on yhä tärkeämpää2-6. Viime vuosina Face2Gene (FDNA Inc., Boston MA, USA) on ollut uusi ja laajalti käytetty työkalu kasvojen fenotyypin havaitsemiseen ja dysmorfisten piirteiden tunnistamiseen kaksiulotteisista (2D) etukuvista2. Face2Genen kasvojen dysmorphism novel -analyysi (FDNA) -tekniikka on nimeltään DeepGestalt, joka perustuu syväkonvoluutiohermoverkkoihin (DCNN) ja käyttää tietokonenäköä ja syväoppimisalgoritmeja. DeepGestaltin korkean tason virtaus on Yaron Gurovich et al.:n kuvaama. Ensin esikäsitellään uusi tulokuva kasvojen tunnistuksen, maamerkkien havaitsemisen ja kohdistuksen saavuttamiseksi ja sitten syötetyn kuvan rajaaminen kasvojen alueille. Toinen on kunkin alueen syöttäminen DCNN:hen ja softmax-vektorin saaminen, joka osoittaa sen vastaavuuden mallin jokaiselle oireyhtymälle. Kolmanneksi kaikkien alueellisten DCNN-verkkojen lähtövektorit aggregoidaan ja lajitellaan lopullisen geneettisten häiriöiden listan saamiseksi. DeepGestaltin DCNN-arkkitehtuurin osa on jatkoa. Verkossa on kymmenen konvoluutiokerrosta, ja kaikkia paitsi viimeistä seuraa eränormalisointi ja rektifioitu lineaarinen yksikkö (ReLU). Poolauskerros levitetään jokaisen konvoluutiokerroksen (CONV) parin jälkeen (maksimi poolaus neljän ensimmäisen parin jälkeen ja keskimääräinen yhdistäminen viidennen parin jälkeen). Ja sitten CONV-kerroksia seuraa täysin yhdistetty kerros, jossa on dropout (0,5) ja softmax-kerros. Siksi näytelämpökartta tulee näkyviin jokaisen yhdistämiskerroksen jälkeen. Vertaamalla ensimmäisten kerrosten matalan tason piirteitä ja viimeisen kerroksen korkean tason piirteitä, jälkimmäiset voivat tunnistaa monimutkaisempia piirteitä syötekuvasta ja niillä on taipumus ilmaantua erottuvia kasvonpiirteitä, kun identiteettiin liittyvät piirteet katoavat. Tällä hetkellä DeepGestalt-mallia koulutetaan yli 17 000 kuvan tietojoukolla, jotka kattavat yli 200 erilaista geneettistä sairautta ja jotka on kuratoitu Face2Genen, yhteisövetoisen fenotyyppialustan kautta.
Artikkeli, jossa tunnistetaan geneettisten häiriöiden kasvojen fenotyypit syväoppimisen avulla, tarjoaa DeepGestaltin luotettavuuden geneettisten häiriöiden diagnosoimiseksi automatisoidun kasvoanalyysin avulla. Binäärinen gestalt-malli erottaa tietyn häiriön joukosta muita häiriöitä. Cornelia de Langen oireyhtymässä DeepGestalt saavuttaa 96,88 % tarkkuuden, 95,67 % herkkyyden ja 100 % spesifisyyden. Angelmanin oireyhtymän osalta DeepGestalt saavuttaa 92 % tarkkuuden, 80 % herkkyyden ja 100 % spesifisyyden. Verrattuna aikaisempaan asiaan liittyvään tutkimukseen, molemmilla on tarkempi diagnoosikyky. Erikoistunutta gestalt-mallia käytetään luokittelemaan saman oireyhtymän eri genotyyppejä. Noonan-oireyhtymä, jossa on PTPN11-, SOS1-, RAF1-, RIT1- tai KRAS-geenimutaatio, on malli, jota käytetään DeepGestaltin suorituskyvyn testaamiseen. Tässä tutkimuksessa DeepGestalt on typistetty versio ja ennustaa vain viisi haluttua luokkaa. Tuloksena on 64 %:n huippu1-tarkkuus, joka on parempi kuin satunnainen 20 %:n mahdollisuus, jolloin geneettikot voivat tutkia fenotyyppi-genotyyppikorrelaatioita. Moniluokkainen gestalt-malli on, että DeepGestalt suorittaa kasvojen gestalt-analyysin mittakaavassa. DeepGestaltilla on 90,6 %:n top-10-tarkkuus kliinisissä testisarjoissa ja 89,4 %:n tarkkuus julkaisutestissä. Kliinisen testisarjan top-5 ja top-1 tarkkuus saavuttavat 85,4 % ja 61,3 % ja julkaisutestisarjan tarkkuus 83,2 % ja 68,7 %. Siksi kliininen voi saavuttaa geneettisten häiriöiden paremman priorisoinnin ja diagnoosin automatisoidun kasvoanalyysikehyksen avulla. Mahdollisesti DeepGestalt lisää huomattavaa lisäarvoa geneettisen häiriön kasvojen fenotyypin arvioinnissa kliinisessä genetiikassa, molekyylitutkimuksessa ja tutkimuksessa.
Vuonna 2022 aikaisemman työn perusteella Hsieh et al. ehdotti GestaltMatcher6:ta, joka käytti potilaiden valokuviin koulutettuja DCNN:itä kooderina kasvokuvan muuntamiseksi piirrevektoreiksi kliinisen kasvojen fenotyyppiavaruuden (CFPS) muodostamiseksi. Sitten he kvantifioivat potilaiden samankaltaisuuden kahden vektorin kosinietäisyydellä CFPS:ssä. Tällä lähestymistavalla tutkijat voivat tukea erittäin harvinaisia oireyhtymiä, joista puuttuu koulutettavat kuvat, ja työntää tuetut oireyhtymät seuraavalle tasolle (299:stä 1 115:een oireyhtymään). GestaltMatcher voi myös tunnistaa uusia häiriöitä. Lisäksi se edistää pitkään jatkunutta keskustelua erotettavuudesta geneettisten sairauksien nosologiassa. Tällä hetkellä analysoitavana on 11 uutta sairausgeeniä, joista neljä toimitettiin vertaisarviointilehteen.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Ni-Chung Lee, M.D., Ph.D.
- Puhelinnumero: 71936 886-2-23123456
- Sähköposti: ncleentu@ntu.edu.tw
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Tapaukset, joissa kliiniset oireet ovat epänormaalit ja epäillään geneettisiä sairauksia
Poissulkemiskriteerit:
- Ei voi tehdä yhteistyötä tutkijan kanssa
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Diagnoosin tarkkuusaste käyttää GestaltMatcheria osallistujien kasvojen piirteiden analysoimiseen harvinaisissa sairauksissa
Aikaikkuna: 1 kuukausi
|
GestaltMatcher on automatisoitu kasvojen analysointiohjelmisto, joka käytti potilaiden valokuviin koulutettuja syviä konvoluutiohermoverkkoja kooderina, joka muuntaa kasvokuvat piirrevektoreiksi kliinisen kasvojen fenotyyppiavaruuden (CFPS) muodostamiseksi. Ja kvantifioi samankaltaisuuden potilaiden välillä kahden vektorin kosinietäisyydellä CFPS:ssä. Tällä lähestymistavalla tutkijat voivat tukea erittäin harvinaisia oireyhtymiä, joista puuttuu koulutettavat kuvat, ja edistää tuettuja oireyhtymiä. Tämän tekniikan perusteella tutkijat käyttävät GestaltMatcheria osallistujien kasvojen piirteiden analysoimiseen ja potilaiden kanssa samankaltaisten vektoreiden vertaamiseen mahdollisten oireyhtymien löytämiseksi. Tutkijat tarkistavat lisää osallistujien kliinisiä fenotyyppejä ja geneettisiä tietoja varmennusta varten. |
1 kuukausi
|
GestaltMatcherin merkittävä ero kasvojen epämuodostumissa Taiwanin osallistujan ja eri maista tulevien osallistujien välillä
Aikaikkuna: 3 vuotta
|
Tutkijat käyttävät GestaltMatcher-tietokannan kasvojen piirrevektoreita vertaillakseen GestaltMatcher-tietokannan tutkimusalustan taiwanilaisten osallistujien kanssa kasvojen eroja Taiwanin ja muiden eri maiden osallistujien välillä parikohtaisen matriisin avulla.
Selvittää, missä on ero Taiwanin ja eri maiden osallistujien välillä, parantamalla taiwanilaisten ryhmien diagnostisia näkökulmia.
|
3 vuotta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Kriteerit lääkäreille, joilla diagnosoidaan osallistujat katseenseurantalaitteiden arvioimien kasvojen piirteiden perusteella
Aikaikkuna: 3 vuotta
|
Käytä Eye Trackeria merkitäksesi, missä ja milloin lääkärit kiinnittävät huomiota osallistujan dysmorfisia piirteitä tarkkaillessaan.
Analysoida, kuinka lääkärit diagnosoivat potilaita kasvokuvien avulla.
|
3 vuotta
|
Taiwanin ja Bonnin yliopiston genetiikan lääkäreiden diagnoosierot
Aikaikkuna: 3 vuotta
|
Vertaa, onko merkittäviä eroja taiwanilaisten lääkäreiden välillä käyttämällä kirjallisuustietoja ja fenotyyppianalyysiä ulkomaisten potilaiden ja taiwanilaisten potilaiden diagnosoinnissa ja analysoimalla, kuinka Bonnin yliopiston geneettikot diagnosoivat potilaita
|
3 vuotta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Ni-Chung Lee, M.D., Ph.D., National Taiwan University Hospital
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 202302053RIND
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .
Kliiniset tutkimukset Ota valokuva
-
Northwestern UniversityMayo Clinic; University of Illinois at Chicago; Northwestern Memorial HospitalValmisMunuaissiirtoYhdysvallat
-
Antonios LikourezosValmis
-
Penn State UniversityUnited States Department of Agriculture (USDA)Rekrytointi
-
Namik Kemal UniversityValmis
-
VA Office of Research and DevelopmentAktiivinen, ei rekrytointiDiabetes | Itsensä johtaminen | Diabetes ahdistus | VeteraaniYhdysvallat
-
Jared Jagdeo, MD, MSVA Northern California Health Care System; East Bay Institute for Research...ValmisFibroosi | Arpi | Arpi | Vammat | Haavoja | Keloidi | Hypertrofinen | ArpeutuminenYhdysvallat
-
Stanford UniversitySatellite HealthcareValmisHemodialyysin komplikaatio | Verenpaine | ESRDYhdysvallat
-
Brigham and Women's HospitalCVS CaremarkValmisMasennus | Epilepsia | Sydän-ja verisuonitauti | Diabetes | Rintasyöpä | Parkinsonin tauti | Mielenterveyshäiriö | Eturauhasen hypertrofia, hyvänlaatuinenYhdysvallat
-
VA Northern California Health Care SystemEast Bay Institute for Research and EducationTuntematonFibroosi | Ihosairaudet | Arpi | Keloidi | Hypertrofinen ihoYhdysvallat
-
H. Lee Moffitt Cancer Center and Research InstituteAmerican Cancer Society, Inc.ValmisPeräsuolen syöpä | Kolorektaalinen karsinoomaYhdysvallat