DeciFace : décrypter l'influence des origines ethniques sur les caractéristiques dysmorphiques faciales des troubles mendéliens rares

Maladie génétique et phénotype facial

Il existe plus de 7 000 troubles génétiques connus et le nombre de personnes touchées est estimé à environ 6 à 10 % de la population1. Environ 30 à 40 % des maladies génétiques présentent des modifications physiques du visage et du crâne telles que le syndrome de Down ou le syndrome de l'X fragile. Par conséquent, le phénotype facial connu de nombreux troubles génétiques est très informatif pour le diagnostic clinique. Comme chacun le sait, un diagnostic rapide et précis des maladies génétiques est essentiel pour prévenir d'éventuels problèmes de santé. Pour les généticiens cliniques et les pédiatres, il faut un haut degré d'expérience et d'expertise pour diagnostiquer les troubles génétiques par le phénotype facial. Cependant, il y a quelques dilemmes pour cette question. Premièrement, la reconnaissance d'une présentation non classique ou d'un trouble génétique ultra-rare est limitée par l'expérience antérieure de l'expert humain individuel. Deuxièmement, certains troubles génétiques seront confondus en clinique parce qu'ils ont quelques sous-types (plus d'un phénotype typique) ou des caractéristiques faciales qui se chevauchent avec d'autres troubles, comme le syndrome de Cornelia de Lange. Enfin, la difficulté de diagnostic va augmenter du fait que le phénotype facial est parfois à large spectre ou s'accentue avec l'âge, comme la mucopolysaccharidose. En bref, le diagnostic des troubles génétiques par le phénotype facial présente toujours un défi.

Analyse faciale automatisée

Les recherches sur la reconnaissance assistée par ordinateur traitent depuis longtemps des problèmes liés à l'analyse faciale, notamment pour les présentations non classiques ou les maladies génétiques ultra-rares. En d'autres termes, l'utilisation de systèmes informatisés comme aide ou référence pour les cliniciens devient de plus en plus importante2-6. Ces dernières années, Face2Gene (FDNA Inc., Boston MA, États-Unis) a été un nouvel outil largement utilisé pour détecter le phénotype facial et reconnaître les caractéristiques dysmorphiques à partir de photographies frontales bidimensionnelles (2D)2. La nouvelle technologie d'analyse de la dysmorphie faciale (FDNA) de Face2Gene s'appelle DeepGestalt, qui s'appuie sur des réseaux de neurones à convolution profonde (DCNN) et utilise des algorithmes de vision par ordinateur et d'apprentissage en profondeur. Le flux de haut niveau de DeepGestalt est tel que décrit par Yaron Gurovich et al.. Le premier consiste à prétraiter une nouvelle image d'entrée pour réaliser la détection de visage, la détection de points de repère et l'alignement, puis à recadrer l'image d'entrée dans les régions faciales. Deuxièmement, alimentez chaque région dans un DCNN et obtenez un vecteur softmax qui indique sa correspondance avec chaque syndrome du modèle. Troisièmement, l'agrégation et le tri des vecteurs de sortie de tous les DCNN régionaux pour obtenir la liste finale classée des troubles génétiques. La partie pour l'architecture DCNN de DeepGestalt est un suivi. Il y a dix couches convolutionnelles dans le réseau, et toutes sauf la dernière sont suivies d'une normalisation par lots et d'une unité linéaire rectifiée (ReLU). Une couche de regroupement est appliquée après chaque paire de couches convolutives (CONV) (regroupement maximal après les quatre premières paires et regroupement moyen après la cinquième paire). Et puis les couches CONV sont suivies d'une couche connectée complète avec abandon (0,5) et d'une couche softmax. Par conséquent, un exemple de carte thermique apparaît après chaque couche de regroupement. En comparant les caractéristiques de bas niveau des premières couches et les caractéristiques de haut niveau de la couche finale, ces dernières peuvent identifier des caractéristiques plus complexes dans l'image d'entrée et ont tendance à faire émerger des traits faciaux distinctifs lorsque les caractéristiques liées à l'identité disparaissent. Actuellement, le modèle DeepGestalt est formé sur un ensemble de données de plus de 17 000 images couvrant plus de 200 troubles génétiques différents organisés par Face2Gene, une plateforme de phénotypage communautaire.

L'article identifiant les phénotypes faciaux des troubles génétiques à l'aide de l'apprentissage en profondeur fournit la fiabilité de DeepGestalt pour diagnostiquer les troubles génétiques grâce à une analyse faciale automatisée. Le modèle binaire de la Gestalt distingue un trouble spécifique d'un ensemble d'autres troubles. Pour le syndrome de Cornelia de Lange, DeepGestalt atteint une précision de 96,88 %, une sensibilité de 95,67 % et une spécificité de 100 %. Pour le syndrome d'Angelman, DeepGestalt atteint une précision de 92 %, une sensibilité de 80 % et une spécificité de 100 %. Par rapport à l'étude connexe précédente, les deux ont une capacité de diagnostic plus précise. Le modèle de gestalt spécialisé est utilisé pour classer différents génotypes du même syndrome. Le syndrome de Noonan avec une mutation génétique dans PTPN11, SOS1, RAF1, RIT1 ou KRAS est un modèle utilisé pour tester les performances de DeepGestalt. Dans cette étude, DeepGestalt est une version tronquée et ne prédit que les cinq classes souhaitées. Le résultat est le top 1 de la précision de 64 %, ce qui est supérieur à la chance aléatoire de 20 %, permettant aux généticiens d'étudier les corrélations phénotype-génotype. Le modèle de gestalt multi-classes est que DeepGestalt effectue une analyse de gestalt faciale à grande échelle. DeepGestalt a une précision de 90,6 % dans le top 10 sur l'ensemble de tests cliniques et de 89,4 % sur l'ensemble de tests de publication. La précision des 5 premiers et des 1 premiers pour l'ensemble de tests cliniques atteint 85,4 % et 61,3 %, respectivement, et pour l'ensemble de tests de publications, 83,2 % et 68,7 %, respectivement. Par conséquent, la clinique peut parvenir à une meilleure hiérarchisation et diagnostic des troubles génétiques grâce à un cadre d'analyse faciale automatisé. Potentiellement, DeepGestalt ajoute une valeur considérable à l'évaluation du phénotype facial d'un trouble génétique dans la génétique clinique, l'étude moléculaire et la recherche.

En 2022, sur la base des travaux précédents, Hsieh et al. a proposé GestaltMatcher6, qui utilisait des DCNN formés sur les photos des patients comme encodeur pour convertir les photos faciales en vecteurs de caractéristiques pour former un espace de phénotype de visage clinique (CFPS). Ils ont ensuite quantifié la similitude entre les patients par la distance cosinus de deux vecteurs dans le CFPS. Avec cette approche, les enquêteurs peuvent prendre en charge les syndromes ultra-rares qui manquent d'images pour être entraînés et pousser les syndromes pris en charge au niveau supérieur (de 299 à 1 115 syndromes). GestaltMatcher peut également identifier de nouveaux troubles. De plus, cela contribue à la discussion de longue date sur la distinction dans la nosologie des maladies génétiques. Actuellement, 11 nouveaux gènes pathologiques sont en cours d'analyse, et quatre d'entre eux ont été soumis à la revue à comité de lecture.