Sztuczna inteligencja do analizy danych wideo ruchu twarzy, z naciskiem na miastenię gravis

Uzasadnienie: Myasthenia gravis (MG) jest zaburzeniem autoimmunologicznym (AID) z przeciwciałami przeciwko NMJ, co powoduje różne stopnie zmęczenia mięśni i osłabienie. Mogą być zaangażowane wszystkie prążkowane mięśnie, chociaż najczęściej dotknięte są mięśnie pozamogodzone, co powoduje zmienną ptozę i dyplopię. Powszechnie wpływają również mięśnie twarzy, co powoduje osłabienie zamknięcia oczu, trudności w żucie i przełykaniu lub upośledzeniu mowy. Przeciwciała przeciwko receptorowi acetylocholiny (ACHR) występują u ponad 80% uogólnionych pacjentów z MG. W postaci czystej oka przeciwciała ACHR są wykrywalne u prawie 50% wszystkich pacjentów. W około 4% stwierdzono przeciwciała przeciwko postsynaptycznej kinazie tyrozynowej receptora mięśniowego (Musk), a u 15% pacjentów z uogólnioną chorobą nie wykryto przeciwciał w surowicy1-3. Około 15% pacjentów z AChR MG ma grasiczaka, w którym to przypadku chorobę można zaklasyfikować jako zespół paraneoplastyczny2. W przypadku występowania 1 do 2 na 10.000 Mg jest uważany za rzadką chorobę2.

Rzadkość MG może utrudnić zdiagnozowanie, szczególnie dla ogólnych neurologów, którzy prawdopodobnie napotkają pacjenta z MG tylko kilka razy w całej karierze. Ponadto zmienny charakter choroby utrudnia podejmowanie odpowiednich decyzji o leczeniu, zwłaszcza że pacjenci w całym kraju są zwykle leczeni w jednym specjalistycznym centrum (w Holandii, LUMC). Obecnie pacjenci, którzy mają wątpliwości, czy doświadczają zaostrzenia, muszą umówić się na spotkanie i podróżować przez kilka godzin, aby poddać się oceny przez ich wyspecjalizowanego neurologa. Obiektywny, niezawodny biomarker dotkliwości choroby, który można wykorzystać w domu, znacznie poprawiłby jakość życia wielu pacjentów z MG. Pojawiające się możliwości współczesnych technologii mogą wspierać lekarzy wszelkiego rodzaju wyzwania medyczne, takie jak oferowanie wsparcia diagnostycznego, decyzje o leczeniu lub obserwacja pacjentów. Technologią szczególnego zainteresowania tego badania jest zaawansowane rozpoznawanie twarzy. Naszym celem jest zbadanie zdolności istniejącego oprogramowania (Fareeader, Noldus) w porównaniu z modelem głębokiego uczenia się specjalnie opracowanego w tym celu przez grupę Jana Van Gemerta w TU Delft w celu rozróżnienia między zdrowymi kontrolami i pacjentami z MG i między pacjentami z MG z różnym poziomem ciężkości choroby.

Podstawowe cele:

Aby określić i porównać wydajność diagnostyczną dwóch różnych metod (technologia FaceReader i model głębokiego uczenia się specjalnie opracowany dla danych wideo) w celu analizy osłabienia twarzy z nagrań wideo (04: 00m) z różnymi znormalizowanymi wyrazami twarzy do:

1. Rozróżnij pacjentów z MG a zdrowe kontrole.
2. Rozróżnij łagodne i umiarkowane do ciężkiego nasilenie choroby.