DeciFace: 稀なメンデル障害の顔面異形特徴に対する民族的背景の影響を解読する

遺伝的疾患と顔の表現型

既知の遺伝性疾患は 7,000 以上あり、罹患数は人口の約 6 ～ 10% と推定されています。 遺伝性疾患の約 30 ～ 40% には、ダウン症候群や脆弱 X 症候群など、顔や頭蓋骨に物理的な変化が見られます。 したがって、多くの遺伝性疾患の既知の顔の表現型は、臨床診断に非常に有益です。 誰もが知っているように、潜在的な健康上の問題を防ぐためには、遺伝性疾患の迅速かつ正確な診断が不可欠です。 臨床遺伝学者や小児科医にとって、顔の表現型を通じて遺伝性疾患を診断するには高度な経験と専門知識が必要です。 ただし、この問題にはいくつかのジレンマがあります。 第一に、非古典的症状や超稀な遺伝性疾患の認識は、個々の人間の専門家のこれまでの経験によって制約されます。 第二に、一部の遺伝性疾患は、コルネリア・デ・ランゲ症候群など、いくつかのサブタイプ（複数の典型的な表現型）を持っていたり、顔の特徴が他の疾患と重複していたり​​するため、臨床で混同される可能性があります。 最後に、ムコ多糖症のように、顔の表現型が広範囲にわたる場合や、年齢とともに顕著になる場合があるため、診断の困難さが増します。 簡単に言えば、顔の表現型による遺伝性疾患の診断にはまだ課題があります。

自動顔分析

コンピュータ支援認識の研究では、特に非古典的表現や超稀な遺伝性疾患など、顔分析に関連した問題が長年にわたって扱われてきました。 言い換えれば、臨床医の補助または参考としてコンピュータ化されたシステムを使用することがますます重要になっています2-6。 近年、Face2Gene (FDNA Inc.、米国マサチューセッツ州ボストン) は、二次元 (2D) 正面写真から顔の表現型を検出し、醜形特徴を認識するための新規で広く使用されているツールです。 Face2Gene の顔異形新規解析 (FDNA) テクノロジーは DeepGestalt と呼ばれ、ディープ畳み込みニューラル ネットワーク (DCNN) 上に構築され、コンピューター ビジョンとディープ ラーニング アルゴリズムを使用します。 DeepGestalt の高レベルなフローは、Yaron Gurovich et al. によって説明されているとおりです。最初に、新しい入力画像を前処理して顔検出、ランドマーク検出、位置合わせを実現し、次に入力画像を顔領域にトリミングします。 2 番目は、各領域を DCNN に入力し、モデル内の各シンドロームへの対応を示すソフトマックス ベクトルを取得します。 3 番目は、すべての地域 DCNN の出力ベクトルを集約して並べ替えて、遺伝性疾患の最終的なランク付けリストを取得します。 DeepGestalt の DCNN アーキテクチャに関する部分はフォローアップとして記載されています。 ネットワークには 10 の畳み込み層があり、最後の層を除くすべての後にバッチ正規化と修正線形単位 (ReLU) が続きます。 プーリング層は、畳み込み (CONV) 層の各ペアの後に適用されます (最初の 4 つのペアの後の最大プーリングと 5 番目のペアの後の平均プーリング)。 次に、CONV レイヤーの後に、ドロップアウト (0.5) のある完全接続レイヤーとソフトマックス レイヤーが続きます。 したがって、サンプル ヒートマップは各プーリング レイヤーの後に表示されます。 最初の層の低レベルの特徴と最後の層の高レベルの特徴を比較すると、後者は入力画像内のより複雑な特徴を識別でき、アイデンティティ関連の特徴が消失すると独特の顔の特徴が現れる傾向があります。 現在、DeepGestalt モデルは、コミュニティ主導の表現型解析プラットフォームである Face2Gene を通じて収集された 200 以上の異なる遺伝性疾患をカバーする 17,000 枚を超える画像のデータセットでトレーニングされています。

深層学習を使用して遺伝性疾患の顔の表現型を特定したこの記事は、自動化された顔分析を通じて遺伝性疾患を診断するための DeepGestalt の信頼性を提供します。 バイナリ ゲシュタルト モデルは、特定の疾患を他の一連の疾患から区別します。 Cornelia de Lange 症候群の場合、DeepGestalt は 96.88% の精度、95.67% の感度、100% の特異度を達成します。 アンジェルマン症候群の場合、DeepGestalt は 92% の精度、80% の感度、100% の特異度を達成します。 以前の関連研究と比較して、両方ともより正確な診断能力を持っています。 特殊なゲシュタルト モデルは、同じ症候群の異なる遺伝子型を分類するために使用されます。 PTPN11、SOS1、RAF1、RIT1、または KRAS の遺伝子変異を伴うヌーナン症候群は、DeepGestalt のパフォーマンスをテストするために使用されるモデルです。 この研究では、DeepGestalt は短縮バージョンであり、必要な 5 つのクラスのみを予測します。 その結果、トップ 1 の精度は 64% となり、ランダムな確率である 20% よりも優れており、遺伝学者は表現型と遺伝子型の相関関係を調査できるようになります。 マルチクラス ゲシュタルト モデルは、DeepGestalt が顔のゲシュタルト分析を大規模に実行するものです。 DeepGestalt は、臨床テスト セットでトップ 10 の精度が 90.6%、出版テスト セットで 89.4% です。 臨床検査セットの上位 5 位と上位 1 位の精度はそれぞれ 85.4% と 61.3% を達成し、出版物検査セットではそれぞれ 83.2% と 68.7% を達成しました。 したがって、臨床現場では、自動化された顔分析フレームワークを通じて、遺伝性疾患の優先順位付けと診断をより適切に行うことができます。 DeepGestalt は、臨床遺伝学、分子研究、研究における遺伝性疾患の顔の表現型の評価に大きな価値を加える可能性があります。

2022 年、前作をベースに、Hsieh et al. GestaltMatcher6 は、患者の写真でトレーニングされた DCNN をエンコーダーとして利用し、顔写真を特徴ベクトルに変換して臨床顔表現型空間 (CFPS) を形成する機能を提案しました。 次に、CFPS の 2 つのベクトルのコサイン距離によって患者間の類似性を定量化しました。 このアプローチにより、研究者は、トレーニングする画像が不足している超稀な症候群をサポートし、サポートされる症候群を次のレベル (299 から 1,115 の症候群) に押し上げることができます。 GestaltMatcher は、新しい疾患を識別することもできます。 さらに、それは遺伝病の分類における識別可能性に関する長年の議論にも貢献します。 現在、11 個の新規疾患遺伝子が解析中であり、そのうち 4 個が査読誌に投稿されました。