DeciFace: 희귀한 멘델 장애의 안면 이형 특징에 대한 인종적 배경의 영향 해독

유전 장애 및 안면 표현형

7000개 이상의 알려진 유전 질환이 있으며 영향을 받는 사람의 수는 인구의 약 6-10%로 추정됩니다1. 유전 질환의 약 30~40%는 다운 증후군이나 취약 X 증후군과 같이 얼굴과 두개골에 신체적 변화가 있습니다. 따라서 많은 유전 질환의 알려진 안면 표현형은 임상 진단에 매우 유익합니다. 모두가 알고 있듯이 잠재적인 건강 문제를 예방하기 위해서는 유전 질환에 대한 빠르고 정확한 진단이 필수적입니다. 임상유전학자 및 소아과 의사의 경우 안면 표현형을 통해 유전질환을 진단하기 위해서는 고도의 경험과 전문성이 필요합니다. 그러나 이 문제에는 몇 가지 딜레마가 있습니다. 첫째, 비고전적 표현 또는 초희귀 유전 질환의 인식은 개별 인간 전문가의 이전 경험에 의해 제한됩니다. 둘째, 일부 유전 질환은 몇 가지 하위 유형(전형적인 표현형 이상)이 있거나 Cornelia de Lange 증후군과 같은 다른 질환과 얼굴 특징이 겹치기 때문에 임상에서 혼동될 수 있습니다. 마지막으로 mucopolysaccharidosis와 같이 얼굴의 표현형이 나이가 들면서 광범위하거나 두드러지는 경우가 있어 진단의 어려움이 커질 것이다. 간단히 말해, 안면 표현형을 통한 유전 질환 진단은 여전히 ​​어려운 과제입니다.

자동화된 안면 분석

컴퓨터 지원 인식에 대한 연구는 오랫동안 안면 분석 관련 문제, 특히 비고전적 표현 또는 매우 희귀한 유전 질환을 다루어 왔습니다. 즉, 임상의를 위한 보조 또는 참조로 컴퓨터 시스템을 사용하는 것이 점점 더 중요해지고 있습니다2-6. 최근 몇 년 동안 Face2Gene(FDNA Inc., Boston MA, USA)은 얼굴 표현형을 감지하고 2차원(2D) 정면 사진2에서 이형 특징을 인식하는 새롭고 널리 사용되는 도구였습니다. Face2Gene의 안면 이형성 소설 분석(FDNA) 기술은 DeepGestalt라고 합니다. DeepGestalt는 심층 합성곱 신경망(DCNN)을 기반으로 하며 컴퓨터 비전 및 딥 러닝 알고리즘을 사용합니다. DeepGestalt의 높은 수준의 흐름은 Yaron Gurovich et al.이 설명한 것과 같습니다. 먼저 새로운 입력 이미지를 전처리하여 얼굴 감지, 랜드마크 감지 및 정렬을 달성한 다음 입력 이미지를 얼굴 영역으로 자릅니다. 두 번째는 각 지역을 DCNN에 공급하고 모델의 각 신드롬에 대한 대응을 나타내는 softmax 벡터를 얻는 것입니다. 세 번째는 유전 질환의 최종 순위 목록을 얻기 위해 모든 지역 DCNN의 출력 벡터를 집계 및 정렬하는 것입니다. DeepGestalt의 DCNN 아키텍처에 대한 부분은 후속 조치입니다. 네트워크에는 10개의 컨볼루션 레이어가 있으며 마지막 레이어를 제외한 모든 레이어에는 배치 정규화 및 정류 선형 단위(ReLU)가 뒤따릅니다. 풀링 레이어는 컨벌루션(CONV) 레이어의 각 쌍 다음에 적용됩니다(처음 네 쌍 이후 최대 풀링 및 다섯 번째 쌍 이후 평균 풀링). 그런 다음 CONV 레이어 다음에는 드롭아웃(0.5)이 있는 완전 연결 레이어와 소프트맥스 레이어가 있습니다. 따라서 각 풀링 레이어 뒤에 샘플 히트맵이 나타납니다. 첫 번째 레이어의 하위 수준 특징과 최종 레이어의 상위 수준 특징을 비교하면 후자는 입력 이미지에서 더 복잡한 특징을 식별할 수 있으며 정체성 관련 특징이 사라질 때 독특한 얼굴 특징이 나타나는 경향이 있습니다. 현재 DeepGestalt 모델은 커뮤니티 기반 표현형 플랫폼인 Face2Gene을 통해 선별된 200개 이상의 서로 다른 유전 질환을 다루는 17,000개 이상의 이미지 데이터 세트에서 훈련됩니다.

딥러닝을 이용하여 유전질환의 안면 표현형을 규명한 논문은 자동화된 안면 분석을 통해 유전질환을 진단하는 DeepGestalt의 신뢰성을 제공합니다. 이진 게슈탈트 모델은 특정 장애를 다른 장애 세트와 구별합니다. Cornelia de Lange 증후군의 경우 DeepGestalt는 96.88% 정확도, 95.67% 민감도 및 100% 특이도를 달성합니다. Angelman 증후군의 경우 DeepGestalt는 92% 정확도, 80% 민감도 및 100% 특이성을 달성합니다. 이전 관련 연구와 비교하여 둘 다 더 정확한 진단 능력을 가지고 있습니다. 특화된 게슈탈트 모델은 동일한 증후군의 다른 유전자형을 분류하는 데 사용됩니다. PTPN11, SOS1, RAF1, RIT1 또는 KRAS에 유전자 돌연변이가 있는 누난 증후군은 DeepGestalt의 성능을 테스트하는 데 사용되는 모델입니다. 이 연구에서 DeepGestalt는 잘린 버전이며 5개의 원하는 클래스만 예측합니다. 결과는 64%의 top-1 정확도로 무작위 확률 20%보다 우수하여 유전학자들이 표현형-유전자형 상관 관계를 조사할 수 있습니다. 다중 클래스 게슈탈트 모델은 DeepGestalt가 대규모로 안면 게슈탈트 분석을 수행한다는 것입니다. DeepGestalt는 임상 테스트 세트에서 90.6%, 출판 테스트 세트에서 89.4%의 상위 10개 정확도를 보입니다. 임상 테스트 세트의 상위 5개 및 상위 1개 정확도는 각각 85.4% 및 61.3%를 달성하고 간행물 테스트 세트의 경우 각각 83.2% 및 68.7%를 달성합니다. 따라서 임상에서는 자동화된 안면 분석 프레임워크를 통해 유전 질환의 우선 순위 지정 및 진단에 도달할 수 있습니다. 잠재적으로 DeepGestalt는 임상 유전학, 분자 연구 및 연구에서 유전 질환의 안면 표현형을 평가하는 데 상당한 가치를 더합니다.

2022년에는 전작인 Hsieh et al. 임상 얼굴 표현형 공간(CFPS)을 형성하기 위해 얼굴 사진을 특징 벡터로 변환하기 위한 인코더로 환자의 사진에 훈련된 DCNN을 활용하는 GestaltMatcher6를 제안했습니다. 그런 다음 CFPS에서 두 벡터의 코사인 거리로 환자 간의 유사성을 정량화했습니다. 이 접근 방식을 통해 연구자는 훈련할 이미지가 부족한 초희귀 증후군을 지원하고 지원되는 증후군을 다음 수준(299에서 1,115개 증후군)으로 푸시할 수 있습니다. GestaltMatcher는 또한 새로운 장애를 식별할 수 있습니다. 더욱이 그것은 유전병의 병리학 내에서 구별 가능성에 대한 오랜 논의에 기여합니다. 현재 분석 중인 신규 질병 유전자는 11개이며, 이 중 4개는 피어리뷰 저널에 투고됐다.