DeciFace: ontcijfer de invloed van etnische achtergronden op de gezichtsdysmorfe kenmerken van zeldzame Mendeliaanse aandoeningen

Genetische stoornis en gezichtsfenotype

Er zijn meer dan 7000 bekende genetische aandoeningen en het aantal getroffenen wordt geschat op ongeveer 6-10% van de bevolking1. Ongeveer 30 tot 40% van de genetische aandoeningen hebben fysieke veranderingen in het gezicht en de schedel, zoals het syndroom van Down of het Fragiele X-syndroom. Daarom is het bekende gezichtsfenotype van veel genetische aandoeningen zeer informatief voor de klinische diagnose. Zoals iedereen weet, is een snelle en nauwkeurige diagnose van genetische aandoeningen essentieel om mogelijke gezondheidsproblemen te voorkomen. Voor klinisch genetici en kinderartsen is een hoge mate van ervaring en expertise nodig om genetische aandoeningen te diagnosticeren door middel van gezichtsfenotype. Er zijn echter enkele dilemma's voor dit probleem. Ten eerste wordt de herkenning van een niet-klassieke presentatie of een uiterst zeldzame genetische aandoening beperkt door de eerdere ervaring van de individuele menselijke expert. Ten tweede zullen sommige genetische aandoeningen in de kliniek worden verward omdat ze een paar subtypen hebben (meer dan één typisch fenotype) of gezichtskenmerken overlappen met andere aandoeningen, zoals het Cornelia de Lange-syndroom. Ten slotte zal de moeilijkheid van de diagnose toenemen omdat het gezichtsfenotype soms een breed spectrum heeft of prominenter wordt naarmate de leeftijd vordert, zoals mucopolysaccharidose. Kortom, de diagnose van genetische aandoeningen door middel van gezichtsfenotype heeft nog steeds een uitdaging.

Geautomatiseerde gezichtsanalyse

Het onderzoek naar computerondersteunde herkenning houdt zich al lang bezig met aan gezichtsanalyse gerelateerde problemen, met name voor niet-klassieke presentatie of ultra-zeldzame genetische aandoeningen. Met andere woorden, het gebruik van geautomatiseerde systemen als hulpmiddel of naslagwerk voor clinici wordt steeds belangrijker2-6. In de afgelopen jaren is Face2Gene (FDNA Inc., Boston MA, VS) een nieuw en veel gebruikt hulpmiddel geweest om gezichtsfenotype te detecteren en dysmorfe kenmerken te herkennen van tweedimensionale (2D) frontale foto's2. De FDNA-technologie (facial dysmorphism novel analysis) in Face2Gene heet DeepGestalt, die voortbouwt op diepe convolutionele neurale netwerken (DCNN's) en gebruik maakt van computervisie en deep learning-algoritmen. De stroom op hoog niveau van DeepGestalt is zoals beschreven door Yaron Gurovich et al. Eerst wordt een nieuw invoerbeeld voorbewerkt om gezichtsdetectie, herkenning van oriëntatiepunten en uitlijning te bereiken en vervolgens wordt het invoerbeeld bijgesneden tot gezichtsgebieden. De tweede is het invoeren van elke regio in een DCNN en het verkrijgen van een softmax-vector die de correspondentie met elk syndroom in het model aangeeft. Ten derde is het aggregeren en sorteren van de uitvoervectoren van alle regionale DCNN's om de uiteindelijke gerangschikte lijst van genetische aandoeningen te verkrijgen. Het deel voor de DCNN-architectuur van DeepGestalt is als vervolg. Er zijn tien convolutionele lagen in het netwerk, en alle behalve de laatste worden gevolgd door batchnormalisatie en een gelijkgerichte lineaire eenheid (ReLU). Een poolinglaag wordt aangebracht na elk paar convolutionele (CONV) lagen (maximale pooling na de eerste vier paren en gemiddelde pooling na het vijfde paar). En dan worden de CONV-lagen gevolgd door een volledig verbonden laag met dropout (0,5) en een softmax-laag. Daarom verschijnt na elke poollaag een voorbeeld van een heatmap. Als we de kenmerken op laag niveau van de eerste lagen vergelijken met de kenmerken op hoog niveau van de laatste laag, kunnen de laatste meer complexe kenmerken in het invoerbeeld identificeren en hebben ze de neiging onderscheidende gezichtskenmerken naar voren te laten komen wanneer identiteitsgerelateerde kenmerken verdwijnen. Momenteel wordt het DeepGestalt-model getraind op een dataset van meer dan 17.000 afbeeldingen die meer dan 200 verschillende genetische aandoeningen omvatten, samengesteld via Face2Gene, een door de gemeenschap aangestuurd fenotyperingsplatform.

Het artikel dat gezichtsfenotypes van genetische aandoeningen identificeert met behulp van deep learning, biedt de betrouwbaarheid van DeepGestalt om genetische aandoeningen te diagnosticeren door middel van geautomatiseerde gezichtsanalyse. Het binaire gestaltmodel onderscheidt een specifieke stoornis van een reeks andere stoornissen. Voor het Cornelia de Lange-syndroom bereikt DeepGestalt een nauwkeurigheid van 96,88%, een gevoeligheid van 95,67% en een specificiteit van 100%. Voor het Angelman-syndroom bereikt DeepGestalt een nauwkeurigheid van 92%, een gevoeligheid van 80% en een specificiteit van 100%. In vergelijking met eerder gerelateerd onderzoek hebben beide een nauwkeuriger diagnosevermogen. Het gespecialiseerde gestaltmodel wordt gebruikt om verschillende genotypen van hetzelfde syndroom te classificeren. Noonan-syndroom met een genmutatie in PTPN11, SOS1, RAF1, RIT1 of KRAS is een model dat wordt gebruikt voor het testen van de prestaties van DeepGestalt. In dit onderzoek is DeepGestalt een ingekorte versie en voorspelt het alleen de vijf gewenste klassen. Het resultaat is de top-1 nauwkeurigheid van 64%, wat superieur is aan de willekeurige kans van 20%, waardoor genetici fenotype-genotype-correlaties kunnen onderzoeken. Gestaltmodel met meerdere klassen is dat DeepGestalt gestaltanalyse van het gezicht op schaal uitvoert. DeepGestalt heeft een top-10 nauwkeurigheid van 90,6% op de klinische testset en 89,4% op de publicatietestset. De top-5 en top-1 nauwkeurigheid voor de klinische testset bereiken respectievelijk 85,4% en 61,3%, en voor de publicatietestset respectievelijk 83,2% en 68,7%. Daarom kan de kliniek een betere prioritering en diagnose van genetische aandoeningen bereiken door middel van een geautomatiseerd raamwerk voor gezichtsanalyse. In potentie voegt DeepGestalt aanzienlijke waarde toe aan de evaluatie van het gezichtsfenotype van een genetische aandoening in klinische genetica, moleculair onderzoek en onderzoek.

In 2022, op basis van het eerdere werk, Hsieh et al. stelde GestaltMatcher6 voor, die DCNN's gebruikte die waren getraind op foto's van patiënten als een encoder om gezichtsfoto's om te zetten in kenmerkende vectoren om een ​​Clinical Face Phenotype Space (CFPS) te vormen. Vervolgens kwantificeerden ze de gelijkenis tussen patiënten door de cosinusafstand van twee vectoren in CFPS. Met deze aanpak kunnen de onderzoekers de ultra-zeldzame syndromen ondersteunen die geen beelden hebben om te trainen en de ondersteunde syndromen naar een hoger niveau tillen (van 299 naar 1.115 syndromen). GestaltMatcher kan ook nieuwe aandoeningen identificeren. Bovendien draagt ​​het bij aan de al lang bestaande discussie over onderscheidbaarheid binnen de nosologie van erfelijke ziekten. Momenteel worden er 11 nieuwe ziektegenen geanalyseerd, en vier daarvan zijn ingediend bij het collegiaal getoetste tijdschrift.