DeciFace: Selvitä etnisen taustan vaikutus harvinaisten Mendelin sairauksien kasvojen dysmorfisiin piirteisiin

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.