Kunstig intelligens for analyse av videodata fra ansiktsbevegelse, med fokus på Myasthenia Gravis

Begrunnelse: Myasthenia Gravis (MG) er en autoimmun lidelse (AID) med antistoffer mot NMJ, noe som resulterer i forskjellige grader av muskelutfallbarhet og svakhet. Alle strierte muskler kan være involvert, selv om de ekstra-okulære musklene er oftest påvirket, noe som gir opphav til svingende ptose og diplopi. Ansiktsmuskulatur blir også ofte påvirket, noe som resulterer i svakhet i øynene, vanskeligheter med å tygge og svelge eller talehemming. Antistoffer mot acetylkolinreseptoren (ACHR) er til stede hos over 80% av generaliserte MG -pasienter. I den rene okulære formen er ACHR -antistoffer påvisbare hos nesten 50% av alle pasienter. Hos omtrent 4%, antistoffer mot den postsynaptiske muskelspesifikke reseptor-tyrosinkinase (MUSK) blir funnet og hos 15% av pasientene med generalisert sykdom blir ingen serumantistoffer påvist1-3. Omtrent 15% av ACHR MG -pasienter har et tymom, i hvilket tilfelle sykdommen kan klassifiseres som et paraneoplastisk syndrom2. Med en prevalens på 1 til 2 per 10.000, regnes Mg som en sjelden sykdom2.

Rarity av MG kan gjøre det vanskelig å diagnostisere, spesielt for generelle nevrologer som sannsynligvis vil møte en pasient med MG bare en håndfull ganger gjennom hele karrieren. I tillegg gjør sykdomens svingende natur det vanskelig å ta passende behandlingsbeslutninger, spesielt ettersom pasienter i hele landet vanligvis blir behandlet på ett spesialisert senter (i Nederland, LUMC). Foreløpig må pasienter som er i tvil om de opplever en forverring gjøre en avtale og reise i flere timer for å gjennomgå vurdering av deres spesialiserte nevrolog. Et objektivt, pålitelig biomarkør for alvorlighetsgraden av sykdommer som kan brukes hjemme, vil derfor forbedre livskvaliteten for mange MG -pasienter. Fremvoksende muligheter i moderne teknologier kan støtte leger med alle slags medisinske utfordringer, som å tilby diagnostisk støtte, behandlingsbeslutninger eller pasientoppfølging. En teknologi av spesiell interesse for denne studien er avansert ansiktsgjenkjenning. Vi tar sikte på å studere evnen til eksisterende programvare (Facerader, Noldus) kontra en dyp læringsmodell som er spesielt utviklet for dette formålet av gruppen av Jan Van Gemert ved TU Delft for å skille mellom sunne kontroller og pasienter med MG og mellom MG -pasienter med forskjellige nivåer av sykdommens alvorlighetsgrad.

Primære mål:

For å bestemme og sammenligne det diagnostiske utbyttet av to forskjellige metoder (Facerader -teknologi og en dyp læringsmodell som er spesielt utviklet for videodata) for å analysere ansiktssvakhet fra videoopptak (04: 00m) med forskjellige standardiserte ansiktsuttrykk med:

1. Skille mellom MG -pasienter og sunne kontroller.
2. Skille mellom mild og moderat til alvorlig sykdommens alvorlighetsgrad.