DeciFace: Dechiffrer innflytelsen av etnisk bakgrunn på ansiktsdysmorfe trekk ved sjeldne mendelske lidelser

Genetisk lidelse og ansiktsfenotype

Det er mer enn 7000 kjente genetiske lidelser, og antallet berørte er beregnet til å være rundt 6-10 % av befolkningen1. Rundt 30 til 40 % av genetiske lidelser har fysiske endringer i ansikt og hodeskalle som Downs syndrom eller Fragilt X-syndrom. Derfor er den kjente ansiktsfenotypen av mange genetiske lidelser svært informativ for klinisk diagnose. Som alle vet, er en rask og nøyaktig diagnose av genetiske lidelser avgjørende for å forhindre potensielle helseproblemer. For kliniske genetikere og barneleger trenger den en høy grad av erfaring og ekspertise for å diagnostisere genetiske lidelser gjennom ansiktsfenotype. Det har imidlertid noen dilemmaer for dette problemet. For det første er anerkjennelse av ikke-klassisk presentasjon eller ultrasjelden genetisk lidelse begrenset av den individuelle menneskelige ekspertens tidligere erfaring. For det andre vil noen genetiske lidelser bli forvirret i klinikken fordi de har noen få undertyper (mer enn én typisk fenotype) eller overlappende ansiktskarakteristikker med andre lidelser, som for eksempel Cornelia de Langes syndrom. Til slutt vil vanskeligheten med å diagnostisere øke på grunn av at ansiktsfenotypen noen ganger er bredspektret eller blir mer fremtredende etter alder, som mukopolysakkaridose. Kort sagt, diagnose av genetisk lidelse gjennom ansiktsfenotype har fortsatt en utfordring.

Automatisert ansiktsanalyse

Forskningen på datastøttet gjenkjenning har lenge vært å håndtere ansiktsanalyserelaterte problemer, spesielt for ikke-klassisk presentasjon eller ultrasjeldne genetiske lidelser. Med andre ord, å bruke datastyrte systemer som et hjelpemiddel eller referanse for klinikere blir stadig viktigere2-6. De siste årene har Face2Gene (FDNA Inc., Boston MA, USA) vært et nytt og mye brukt verktøy for å oppdage ansiktsfenotyper og gjenkjenne dysmorfe trekk fra todimensjonale (2D) frontale fotografier2. Facial dysmorphism novel analysis (FDNA)-teknologien i Face2Gene kalles DeepGestalt, som bygger på dype konvolusjonelle nevrale nettverk (DCNN) og bruker datasyn og dyplæringsalgoritmer. Høynivåflyten til DeepGestalt er som beskrevet av Yaron Gurovich et al.. Først er det å forhåndsbehandle et nytt inngangsbilde for å oppnå ansiktsdeteksjon, landemerkedeteksjon og justering og deretter beskjære inndatabildet til ansiktsområder. For det andre mates hver region inn i en DCNN og få en softmax-vektor som indikerer korrespondanse til hvert syndrom i modellen. For det tredje er aggregering og sortering av utgangsvektorene til alle regionale DCNN-er for å få den endelige rangerte listen over genetiske lidelser. Delen for DCNN-arkitekturen til DeepGestalt er som en oppfølging. Det er ti konvolusjonslag i nettverket, og alle unntatt den siste blir fulgt av batchnormalisering og en utrettet lineær enhet (ReLU). Et sammenslåingslag påføres etter hvert par av konvolusjonslag (CONV) (maksimal sammenslåing etter de første fire parene og gjennomsnittlig sammenslåing etter det femte paret). Og så blir CONV-lagene etterfulgt av et fullt koblet lag med dropout (0,5) og et softmax-lag. Derfor vises et prøvevarmekart etter hvert lag. Ved å sammenligne funksjonene på lavt nivå i de første lagene og funksjonene på høyt nivå i det siste laget, kan sistnevnte identifisere mer komplekse funksjoner i inngangsbildet og har hatt en tendens til å dukke opp karakteristiske ansiktstrekk når identitetsrelaterte funksjoner forsvinner. For tiden er DeepGestalt-modellen trent på et datasett med over 17 000 bilder som dekker mer enn 200 forskjellige genetiske lidelser kurert gjennom Face2Gene, en fellesskapsdrevet fenotypingsplattform.

Artikkelen som identifiserer ansiktsfenotyper av genetiske lidelser ved hjelp av dyp læring gir påliteligheten til DeepGestalt for å diagnostisere genetiske lidelser gjennom automatisert ansiktsanalyse. Den binære gestaltmodellen skiller en spesifikk lidelse fra et sett med andre lidelser. For Cornelia de Lange syndrom oppnår DeepGestalt 96,88 % nøyaktighet, 95,67 % sensitivitet og 100 % spesifisitet. For Angelman syndrom oppnår DeepGestalt 92 % nøyaktighet, 80 % sensitivitet og 100 % spesifisitet. Sammenlignet med tidligere relatert studie har begge en mer presis diagnoseevne. Den spesialiserte gestaltmodellen brukes til å klassifisere ulike genotyper av samme syndrom. Noonan syndrom med en genmutasjon i PTPN11, SOS1, RAF1, RIT1 eller KRAS er en modell som brukes for å teste ytelsen til DeepGestalt. I denne studien er DeepGestalt en avkortet versjon og forutsier kun de fem ønskede klassene. Resultatet er topp-1-nøyaktigheten på 64 %, som er overlegen den tilfeldige sjansen på 20 %, slik at genetikere kan undersøke fenotype-genotype-korrelasjoner. Multi-klasse gestaltmodell er at DeepGestalt utfører ansiktsgestaltanalyse i skala. DeepGestalt har en 90,6 % topp-10-nøyaktighet på det kliniske testsettet og 89,4 % på publiseringstestsettet. Topp-5- og topp-1-nøyaktigheten for det kliniske testsettet oppnår henholdsvis 85,4 % og 61,3 %, og for publikasjonstestsettet henholdsvis 83,2 % og 68,7 %. Derfor kan den kliniske nå bedre prioritering og diagnostisering av genetiske lidelser gjennom et automatisert ansiktsanalyserammeverk. Potensielt tilfører DeepGestalt betydelig verdi til å evaluere ansiktsfenotypen til en genetisk lidelse i klinisk genetikk, molekylær studier og forskning.

I 2022, basert på det forrige arbeidet, Hsieh et al. foreslo GestaltMatcher6, som brukte DCNN-er trent på pasientbilder som en koder for å konvertere ansiktsbilder til funksjonsvektorer for å danne et Clinical Face Phenotype Space (CFPS). De kvantifiserte deretter likheten mellom pasienter ved cosinusavstanden til to vektorer i CFPS. Med denne tilnærmingen kan etterforskerne støtte de ultrasjeldne syndromene som mangler bilder som skal trenes og skyve de støttede syndromene til neste nivå (fra 299 til 1115 syndromer). GestaltMatcher kan også identifisere nye lidelser. Dessuten bidrar det til den mangeårige diskusjonen om kjennetegn innenfor nosologien til genetiske sykdommer. For tiden er det 11 nye sykdomsgener under analyse, og fire av dem ble sendt inn til fagfellevurderingstidsskriftet.