DeciFace: Rozszyfruj wpływ pochodzenia etnicznego na cechy dysmorfii twarzy w rzadkich zaburzeniach mendlowskich

Zaburzenie genetyczne i fenotyp twarzy

Istnieje ponad 7000 znanych zaburzeń genetycznych, a liczbę dotkniętych nimi szacuje się na około 6-10% populacji1. Około 30 do 40% zaburzeń genetycznych ma fizyczne zmiany na twarzy i czaszce, takie jak zespół Downa lub zespół łamliwego chromosomu X. Dlatego znany fenotyp twarzy wielu zaburzeń genetycznych jest bardzo pouczający dla diagnozy klinicznej. Jak wszyscy wiedzą, szybka i trafna diagnoza zaburzeń genetycznych jest niezbędna, aby zapobiec potencjalnym problemom zdrowotnym. Genetycy kliniczni i pediatrzy potrzebują dużego doświadczenia i wiedzy, aby diagnozować zaburzenia genetyczne na podstawie fenotypu twarzy. Istnieją jednak pewne dylematy w tej kwestii. Po pierwsze, rozpoznanie nieklasycznej prezentacji lub ultrarzadkiej choroby genetycznej jest ograniczone wcześniejszym doświadczeniem eksperta. Po drugie, niektóre zaburzenia genetyczne będą mylone w klinice, ponieważ mają kilka podtypów (więcej niż jeden typowy fenotyp) lub nakładają się cechy twarzy z innymi zaburzeniami, takimi jak zespół Cornelii de Lange. Wreszcie, trudność diagnozy wzrośnie z powodu fenotypu twarzy, który czasami ma szerokie spektrum lub staje się bardziej widoczny z wiekiem, jak mukopolisacharydoza. Krótko mówiąc, diagnoza zaburzeń genetycznych na podstawie fenotypu twarzy wciąż stanowi wyzwanie.

Zautomatyzowana analiza twarzy

Badania rozpoznawania wspomaganego komputerowo od dawna zajmują się problemami związanymi z analizą twarzy, zwłaszcza w przypadku nieklasycznej prezentacji lub ultrarzadkich chorób genetycznych. Innymi słowy, stosowanie systemów komputerowych jako pomocy lub odniesienia dla klinicystów staje się coraz ważniejsze2-6. W ostatnich latach Face2Gene (FDNA Inc., Boston MA, USA) stało się nowatorskim i szeroko stosowanym narzędziem do wykrywania fenotypu twarzy i rozpoznawania cech dysmorficznych z dwuwymiarowych (2D) zdjęć czołowych2. Technologia nowej analizy dysmorfizmu twarzy (FDNA) w Face2Gene nazywa się DeepGestalt i opiera się na głębokich konwolucyjnych sieciach neuronowych (DCNN) i wykorzystuje algorytmy widzenia komputerowego i głębokiego uczenia się. Przepływ wysokiego poziomu DeepGestalt jest taki, jak opisali Yaron Gurovich i in. Najpierw wstępne przetwarzanie nowego obrazu wejściowego w celu wykrycia twarzy, wykrycia punktów orientacyjnych i wyrównania, a następnie przycięcie obrazu wejściowego do obszarów twarzy. Drugi to wprowadzenie każdego regionu do DCNN i uzyskanie wektora softmax, który wskazuje jego zgodność z każdym zespołem w modelu. Trzeci to agregacja i sortowanie wektorów wyjściowych wszystkich regionalnych DCNN w celu uzyskania ostatecznej listy rankingowej zaburzeń genetycznych. Część dotycząca architektury DCNN DeepGestalt jest kontynuacją. W sieci jest dziesięć warstw splotowych, a po wszystkich oprócz ostatniej następuje normalizacja wsadowa i rektyfikowana jednostka liniowa (ReLU). Warstwa puli jest nakładana po każdej parze warstwy konwolucyjnej (CONV) (maksymalne pule po pierwszych czterech parach i średnie pule po piątej parze). Następnie po warstwach CONV następuje w pełni połączona warstwa z przerwami (0,5) i warstwa softmax. W związku z tym po każdej warstwie puli pojawia się przykładowa mapa cieplna. Porównując cechy niskiego poziomu pierwszych warstw i cechy wysokiego poziomu ostatniej warstwy, te ostatnie mogą identyfikować bardziej złożone cechy na obrazie wejściowym i mają tendencję do pojawiania się charakterystycznych cech twarzy, gdy znikają cechy związane z tożsamością. Obecnie model DeepGestalt jest szkolony na zbiorze danych zawierającym ponad 17 000 obrazów obejmujących ponad 200 różnych zaburzeń genetycznych, których kuratorem jest Face2Gene, oparta na społeczności platforma do fenotypowania.

Artykuł identyfikujący fenotypy twarzy zaburzeń genetycznych przy użyciu głębokiego uczenia zapewnia niezawodność DeepGestalt w diagnozowaniu zaburzeń genetycznych poprzez zautomatyzowaną analizę twarzy. Binarny model gestalt odróżnia określone zaburzenie od zestawu innych zaburzeń. W przypadku zespołu Cornelii de Lange, DeepGestalt osiąga 96,88% dokładności, 95,67% czułości i 100% specyficzności. W przypadku zespołu Angelmana DeepGestalt osiąga 92% dokładności, 80% czułości i 100% specyficzności. W porównaniu z poprzednim pokrewnym badaniem, oba mają bardziej precyzyjną zdolność diagnozowania. Wyspecjalizowany model gestalt służy do klasyfikowania różnych genotypów tego samego zespołu. Zespół Noonana z mutacją genu w PTPN11, SOS1, RAF1, RIT1 lub KRAS to model używany do testowania działania DeepGestalt. W tym badaniu DeepGestalt jest wersją okrojoną i przewiduje tylko pięć pożądanych klas. Rezultatem jest najwyższa dokładność wynosząca 64%, która przewyższa losową szansę wynoszącą 20%, umożliwiając genetykom badanie korelacji fenotyp-genotyp. Wieloklasowy model gestalt polega na tym, że DeepGestalt przeprowadza analizę gestalt twarzy na dużą skalę. DeepGestalt ma 90,6% dokładności w pierwszej dziesiątce w zestawie testów klinicznych i 89,4% w zestawie testów publikacji. Dokładność top-5 i top-1 dla zestawu testów klinicznych wynosi odpowiednio 85,4% i 61,3%, a dla zestawu testów publikacji odpowiednio 83,2% i 68,7%. Dlatego klinicyści mogą lepiej ustalać priorytety i diagnozować zaburzenia genetyczne za pomocą zautomatyzowanej struktury analizy twarzy. Potencjalnie DeepGestalt wnosi znaczną wartość do oceny fenotypu twarzy zaburzenia genetycznego w genetyce klinicznej, badaniach molekularnych i badaniach.

W 2022 roku, na podstawie wcześniejszej pracy, Hsieh et al. zaproponował GestaltMatcher6, który wykorzystywał DCNN przeszkolone na zdjęciach pacjentów jako koder do konwersji zdjęć twarzy na wektory cech w celu utworzenia klinicznej przestrzeni fenotypów twarzy (CFPS). Następnie określili ilościowo podobieństwo między pacjentami na podstawie cosinusowej odległości dwóch wektorów w CFPS. Dzięki takiemu podejściu badacze mogą wesprzeć ultrarzadkie zespoły, w których brakuje obrazów do przeszkolenia, i przesunąć obsługiwane zespoły na wyższy poziom (od 299 do 1115 zespołów). GestaltMatcher może również identyfikować nowe zaburzenia. Ponadto wpisuje się w toczącą się od dawna dyskusję na temat rozróżnialności w nozologii chorób genetycznych. Obecnie analizowanych jest 11 nowych genów chorobowych, a cztery z nich zostały przesłane do recenzowanego czasopisma.