- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT05913843
DeciFace: decifra l'influenza delle origini etniche sulle caratteristiche di dismorfismo facciale dei disturbi mendeliani rari
Ci sono più di 7000 malattie genetiche conosciute e il numero di persone affette è stimato in circa il 6-10% della popolazione. 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.
Poiché un gran numero di malattie genetiche è associato a speciali fenotipi facciali difficili da ricordare, l'analisi facciale automatizzata come Face2Gene e GestaltMatcher può aiutare nell'identificazione e nella diagnosi di fenotipi facciali correlati a varie malattie genetiche. Sebbene gli attuali progressi nel sequenziamento dell'intero esoma (sequenziamento dell'intero esoma) o del sequenziamento dell'intero genoma (sequenziamento dell'intero genoma) abbiano notevolmente migliorato il tasso diagnostico delle malattie genetiche, circa la metà dei pazienti non è ancora diagnosticata.
Per i pazienti con fenotipi facciali speciali, i ricercatori ritengono che combinando l'analisi facciale automatizzata e i dati di sequenziamento dell'intero esoma, dovrebbe essere possibile fornire un modello diagnostico rapido e accurato delle mutazioni genetiche per le malattie genetiche. GestaltMatcher Database è un database di imaging medico di malattie rare sviluppato dal professor Peter Krawitz dell'Università di Bonn, in Germania. Il modulo di intelligenza artificiale del database dedurrà la possibile diagnosi di un paziente in base alla foto, all'età, al sesso, alla razza e alla descrizione clinica del paziente. Il database sarà aperto ai ricercatori medici in campi correlati per migliorare la diagnosi delle malattie rare.
Gli investigatori utilizzeranno GestaltMatcher per assistere nella diagnosi dei pazienti e confrontare l'accuratezza e le differenze significative nelle deformità facciali tra pazienti taiwanesi e pazienti di diversi paesi. E usa Eye Tracker per analizzare come i medici diagnosticano i pazienti attraverso le foto facciali e confrontare se ci sono differenze significative tra pazienti stranieri e pazienti taiwanesi nella letteratura diagnostica dei medici taiwanesi. Il progetto analizzerà anche il modo in cui i medici genetici dell'Università di Bonn in Germania diagnosticano i pazienti e li confronterà con i medici taiwanesi per comprendere meglio le differenze nel processo di diagnosi dei pazienti e le origini etniche.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
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.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Ni-Chung Lee, M.D., Ph.D.
- Numero di telefono: 71936 886-2-23123456
- Email: ncleentu@ntu.edu.tw
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Casi con aspetto anormale di sintomi clinici e sospette malattie genetiche
Criteri di esclusione:
- Incapace di collaborare con l'esaminatore
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Il tasso di accuratezza della diagnosi utilizza GestaltMatcher per analizzare le caratteristiche facciali dei partecipanti nelle malattie rare
Lasso di tempo: 1 mese
|
GestaltMatcher è un software di analisi facciale automatizzato, che utilizza reti neurali convoluzionali profonde addestrate sulle foto dei pazienti come codificatore per convertire le foto facciali in vettori di caratteristiche per formare uno spazio fenotipico del volto clinico (CFPS). E ha quantificato la somiglianza tra i pazienti in base alla distanza del coseno di due vettori nella CFPS. Con questo approccio, gli investigatori possono supportare le sindromi ultra rare che mancano di immagini da addestrare e spingere le sindromi supportate. Basandosi su questa tecnologia, gli investigatori usano GestaltMatcher per analizzare le caratteristiche facciali dei partecipanti e confrontare quei vettori che sono simili ai pazienti per trovare possibili sindromi. Gli investigatori verificheranno più fenotipo clinico e dati genetici dei partecipanti per la verifica. |
1 mese
|
La differenza significativa nelle deformità facciali tra partecipanti di Taiwan e partecipanti di diversi paesi di GestaltMatcher
Lasso di tempo: 3 anni
|
Gli investigatori utilizzeranno quei vettori di caratteristiche facciali dal database GestaltMatcher per confrontarli con i partecipanti di Taiwan nella piattaforma di ricerca all'interno del database GestaltMatcher per trovare le differenze facciali tra Taiwan e altri partecipanti di paesi diversi mediante matrice a coppie.
Scoprire dov'è la differenza tra i partecipanti di Taiwan e di diversi paesi, migliorando le prospettive diagnostiche nei gruppi taiwanesi.
|
3 anni
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Criteri per i medici per diagnosticare i partecipanti dalle caratteristiche facciali valutate dagli eye tracker
Lasso di tempo: 3 anni
|
Usa Eye Tracker per segnare dove e quando i medici prestano attenzione quando osservano le caratteristiche dismorfiche del partecipante.
Analizzare come i medici diagnosticano i pazienti attraverso le foto facciali.
|
3 anni
|
Differenze di diagnosi tra i medici genetici dell'Università di Taiwan e di Bonn
Lasso di tempo: 3 anni
|
Confronta se ci sono differenze significative tra i medici taiwanesi utilizzando i dati della letteratura e l'analisi fenotipica per diagnosticare pazienti stranieri e pazienti taiwanesi e analizzando come i genetisti dell'Università di Bonn diagnosticano i pazienti
|
3 anni
|
Collaboratori e investigatori
Collaboratori
Investigatori
- Investigatore principale: Ni-Chung Lee, M.D., Ph.D., National Taiwan University Hospital
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 202302053RIND
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .
Prove cliniche su Malattie Rare
-
University of California, IrvineRitiratoThe Effects of Exercise on Executive FunctionsStati Uniti
-
Brigham and Women's HospitalCompletatoA Patient Discharged From an Acute-care Hospital Who Had an Acute IllnessStati Uniti
-
Northwell HealthCompletatoImaging of the Brain and Antipsychotics | Neuronal Network ChangesStati Uniti
-
Valduce HospitalCompletatoAnticoagulant DisordersItalia
-
University of California, DavisCompletatoRespiratory Heat LossStati Uniti
-
AstraZenecaCompletatoAmount of NKTR-118 in Blood | Variation in the Heart's Electrical CycleStati Uniti
-
Peking Union Medical College HospitalCompletato
-
Universitaire Ziekenhuizen KU LeuvenCompletatoCondition of Patient 3 Years After FESS-operationBelgio
-
Abiomed Inc.TerminatoAcute Cardiac Dysfunction
-
Reproductive Medicine Associates of New JerseyCompletatoOutcome During r-hFSH Stimulation | Outcome During r-hFSH and r-hLH StimulationStati Uniti
Prove cliniche su Fare foto
-
Antonios LikourezosCompletatoDolore | Ansia PauraStati Uniti
-
Yale UniversityCompletatoRelazioni genitori-figli | Pianto | Abuso, bambinoStati Uniti
-
Namik Kemal UniversityCompletato
-
University Hospital TuebingenReclutamentoPredisposizione genetica alla malattia | Malattie RareGermania
-
Penn State UniversityUnited States Department of Agriculture (USDA)Reclutamento
-
Jared Jagdeo, MD, MSVA Northern California Health Care System; East Bay Institute for Research and...CompletatoFibrosi | Cicatrice | Cicatrice | Lesioni | Ferite | Cheloide | Ipertrofico | CicatriciStati Uniti
-
VA Northern California Health Care SystemEast Bay Institute for Research and EducationSconosciutoFibrosi | Malattie della pelle | Cicatrice | Cheloide | Pelle ipertroficaStati Uniti