DeciFace: decifra l'influenza delle origini etniche sulle caratteristiche di dismorfismo facciale dei disturbi mendeliani rari

Malattia genetica e fenotipo facciale

Ci sono più di 7000 malattie genetiche conosciute e il numero di persone affette è stimato in circa il 6-10% della popolazione1. Circa il 30-40% delle malattie genetiche presenta alterazioni fisiche del viso e del cranio, come la sindrome di Down o la sindrome dell'X fragile. Pertanto, il noto fenotipo facciale di molte malattie genetiche è altamente informativo per la diagnosi clinica. Come tutti sanno, una diagnosi rapida e accurata delle malattie genetiche è essenziale per prevenire potenziali problemi di salute. Per genetisti clinici e pediatri, è necessario un alto grado di esperienza e competenza per diagnosticare malattie genetiche attraverso il fenotipo facciale. Tuttavia, ci sono alcuni dilemmi per questo problema. In primo luogo, il riconoscimento della presentazione non classica o di una malattia genetica ultra rara è vincolato dall'esperienza precedente del singolo esperto umano. In secondo luogo, alcune malattie genetiche saranno confuse in clinica perché hanno alcuni sottotipi (più di un fenotipo tipico) o caratteristiche facciali sovrapposte con altre malattie, come la sindrome di Cornelia de Lange. Infine, la difficoltà della diagnosi aumenterà a causa del fenotipo facciale che a volte è ad ampio spettro o diventa più prominente con l'età, come la mucopolisaccaridosi. In breve, la diagnosi del disturbo genetico attraverso il fenotipo facciale ha ancora una sfida.

Analisi facciale automatizzata

La ricerca sul riconoscimento assistito da computer si occupa da tempo di problemi legati all'analisi facciale, in particolare per presentazioni non classiche o malattie genetiche ultra rare. In altre parole, l'utilizzo di sistemi computerizzati come ausilio o riferimento per i clinici sta diventando sempre più importante2-6. Negli ultimi anni, Face2Gene (FDNA Inc., Boston MA, USA) è stato uno strumento nuovo e ampiamente utilizzato per rilevare il fenotipo facciale e riconoscere le caratteristiche dismorfiche da fotografie frontali bidimensionali (2D)2. La tecnologia del romanzo di analisi del dismorfismo facciale (FDNA) in Face2Gene si chiama DeepGestalt, che si basa su reti neurali convoluzionali profonde (DCNN) e utilizza algoritmi di visione artificiale e apprendimento profondo. Il flusso di alto livello di DeepGestalt è come descritto da Yaron Gurovich et al.. In primo luogo è la preelaborazione di una nuova immagine di input per ottenere il rilevamento del volto, il rilevamento dei punti di riferimento e l'allineamento, quindi il ritaglio dell'immagine di input nelle regioni facciali. Il secondo è alimentare ciascuna regione in un DCNN e ottenere un vettore softmax che indichi la sua corrispondenza con ciascuna sindrome nel modello. Il terzo è l'aggregazione e l'ordinamento dei vettori di output di tutti i DCNN regionali per ottenere l'elenco finale delle malattie genetiche. La parte per l'architettura DCNN di DeepGestalt è un follow-up. Ci sono dieci livelli convoluzionali nella rete e tutti tranne l'ultimo sono seguiti dalla normalizzazione batch e da un'unità lineare rettificata (ReLU). Uno strato di raggruppamento viene applicato dopo ogni coppia di strati convoluzionali (CONV) (raggruppamento massimo dopo le prime quattro coppie e raggruppamento medio dopo la quinta coppia). E poi i livelli CONV sono seguiti da un livello completamente connesso con dropout (0.5) e un livello softmax. Pertanto, dopo ogni layer di raggruppamento viene visualizzata una mappa termica di esempio. Confrontando le caratteristiche di basso livello dei primi strati e le caratteristiche di alto livello del livello finale, quest'ultimo può identificare caratteristiche più complesse nell'immagine di input e tende a far emergere tratti facciali distintivi quando le caratteristiche relative all'identità scompaiono. Attualmente, il modello DeepGestalt viene addestrato su un set di dati di oltre 17.000 immagini che coprono più di 200 diversi disturbi genetici curati attraverso Face2Gene, una piattaforma di fenotipizzazione guidata dalla comunità.

L'articolo che identifica i fenotipi facciali dei disturbi genetici utilizzando il deep learning fornisce l'affidabilità di DeepGestalt per diagnosticare i disturbi genetici attraverso l'analisi facciale automatizzata. Il modello binario della gestalt distingue un disturbo specifico da un insieme di altri disturbi. Per la sindrome di Cornelia de Lange, DeepGestalt raggiunge un'accuratezza del 96,88%, una sensibilità del 95,67% e una specificità del 100%. Per la sindrome di Angelman, DeepGestalt raggiunge il 92% di accuratezza, l'80% di sensibilità e il 100% di specificità. Rispetto al precedente studio correlato, entrambi hanno una capacità di diagnosi più precisa. Il modello gestalt specializzato viene utilizzato per classificare diversi genotipi della stessa sindrome. La sindrome di Noonan con una mutazione genetica in PTPN11, SOS1, RAF1, RIT1 o KRAS è un modello utilizzato per testare le prestazioni di DeepGestalt. In questo studio, DeepGestalt è una versione troncata e prevede solo le cinque classi desiderate. Il risultato è l'accuratezza top-1 del 64%, che è superiore alla probabilità casuale del 20%, consentendo ai genetisti di indagare sulle correlazioni fenotipo-genotipo. Il modello gestalt multiclasse è che DeepGestalt esegue l'analisi della gestalt facciale su larga scala. DeepGestalt ha un'accuratezza tra i primi 10 del 90,6% nel set di test clinici e l'89,4% nel set di test di pubblicazione. L'accuratezza top-5 e top-1 per il set di test clinici raggiunge rispettivamente l'85,4% e il 61,3% e per il set di test delle pubblicazioni, rispettivamente l'83,2% e il 68,7%. Pertanto, il clinico può raggiungere una migliore definizione delle priorità e diagnosi dei disturbi genetici attraverso un quadro di analisi facciale automatizzato. Potenzialmente, DeepGestalt aggiunge un valore considerevole alla valutazione del fenotipo facciale di una malattia genetica nella genetica clinica, nello studio molecolare e nella ricerca.

Nel 2022, sulla base del lavoro precedente, Hsieh et al. ha proposto GestaltMatcher6, che utilizzava DCNN addestrati sulle foto dei pazienti come codificatore per convertire le foto facciali in vettori di caratteristiche per formare uno spazio fenotipico del volto clinico (CFPS). Hanno quindi quantificato la somiglianza tra i pazienti in base alla distanza del coseno di due vettori nella CFPS. Con questo approccio, i ricercatori possono supportare le sindromi ultra rare che mancano di immagini da addestrare e spingere le sindromi supportate al livello successivo (da 299 a 1.115 sindromi). GestaltMatcher può anche identificare nuovi disturbi. Inoltre, contribuisce alla discussione di lunga data sulla distinguibilità all'interno della nosologia delle malattie genetiche. Attualmente sono in fase di analisi 11 nuovi geni patologici e quattro di essi sono stati sottoposti alla rivista peer-review.