DeciFace: расшифровать влияние этнического происхождения на лицевые дисморфические черты редких менделевских расстройств

Генетическое заболевание и фенотип лица

Известно более 7000 генетических нарушений, и число пораженных ими оценивается примерно в 6-10% населения1. Примерно от 30 до 40% генетических нарушений связаны с физическими изменениями лица и черепа, такими как синдром Дауна или синдром ломкой Х-хромосомы. Таким образом, известный лицевой фенотип многих генетических нарушений очень информативен для клинической диагностики. Как всем известно, быстрая и точная диагностика генетических нарушений необходима для предотвращения потенциальных проблем со здоровьем. Для клинических генетиков и педиатров требуется большой опыт и знания для диагностики генетических нарушений по фенотипу лица. Однако в этом вопросе есть некоторые дилеммы. Во-первых, признание неклассических проявлений или ультраредких генетических нарушений ограничено предшествующим опытом отдельного человека-эксперта. Во-вторых, некоторые генетические нарушения могут быть перепутаны в клинике, потому что они имеют несколько подтипов (более одного типичного фенотипа) или перекрывают черты лица с другими расстройствами, такими как синдром Корнелии де Ланге. Наконец, сложность диагностики будет увеличиваться из-за того, что фенотип лица иногда имеет широкий спектр или становится более заметным с возрастом, как мукополисахаридоз. Вкратце, диагностика генетического расстройства по фенотипу лица все еще остается проблемой.

Автоматический анализ лица

Исследования в области компьютерного распознавания долгое время занимались проблемами, связанными с анализом лиц, особенно для неклассических проявлений или ультраредких генетических нарушений. Другими словами, использование компьютеризированных систем в качестве помощи или справочника для клиницистов становится все более важным2-6. В последние годы Face2Gene (FDNA Inc., Бостон, Массачусетс, США) стал новым и широко используемым инструментом для определения фенотипа лица и распознавания дисморфических черт на двухмерных (2D) фронтальных фотографиях2. Технология нового анализа лицевого дисморфизма (FDNA) в Face2Gene называется DeepGestalt, которая основана на глубоких сверточных нейронных сетях (DCNN) и использует компьютерное зрение и алгоритмы глубокого обучения. Высокоуровневый поток DeepGestalt описан Яроном Гуровичем и др. Сначала выполняется предварительная обработка нового входного изображения для обнаружения лиц, обнаружения ориентиров и выравнивания, а затем обрезка входного изображения по областям лица. Во-вторых, подача каждой области в DCNN и получение вектора softmax, который указывает его соответствие каждому синдрому в модели. В-третьих, это объединение и сортировка выходных векторов всех региональных DCNN для получения окончательного ранжированного списка генетических нарушений. Часть для архитектуры DCNN DeepGestalt является продолжением. В сети десять сверточных слоев, и за всеми, кроме последнего, следует пакетная нормализация и выпрямленная линейная единица (ReLU). Слой объединения применяется после каждой пары сверточных (CONV) слоев (максимальное объединение после первых четырех пар и среднее объединение после пятой пары). Затем за слоями CONV следует полносвязный слой с отсевом (0,5) и слой softmax. Таким образом, образец тепловой карты появляется после каждого объединяющего слоя. Сравнивая низкоуровневые признаки первых слоев и высокоуровневые признаки последнего слоя, последние могут идентифицировать более сложные признаки во входном изображении и, как правило, проявляют отличительные черты лица, когда исчезают черты, связанные с идентичностью. В настоящее время модель DeepGestalt обучается на наборе данных из более чем 17 000 изображений, охватывающих более 200 различных генетических нарушений, отобранных с помощью Face2Gene, платформы фенотипирования, управляемой сообществом.

Статья, определяющая лицевые фенотипы генетических нарушений с использованием глубокого обучения, обеспечивает надежность DeepGestalt для диагностики генетических нарушений с помощью автоматического анализа лица. Бинарная гештальт-модель отличает конкретное расстройство от набора других расстройств. Для синдрома Корнелии де Ланге DeepGestalt обеспечивает точность 96,88%, чувствительность 95,67% и специфичность 100%. Для синдрома Ангельмана DeepGestalt достигает 92% точности, 80% чувствительности и 100% специфичности. По сравнению с предыдущим родственным исследованием оба имеют более точную диагностическую способность. Специализированная гештальт-модель используется для классификации различных генотипов одного и того же синдрома. Синдром Нунана с генной мутацией в PTPN11, SOS1, RAF1, RIT1 или KRAS — это модель, используемая для тестирования эффективности DeepGestalt. В этом исследовании DeepGestalt представляет собой усеченную версию и предсказывает только пять желаемых классов. В результате точность первого уровня составляет 64%, что превосходит случайную вероятность в 20%, что позволяет генетикам исследовать корреляции фенотип-генотип. Гештальт-модель с несколькими классами заключается в том, что DeepGestalt выполняет гештальт-анализ лица в масштабе. DeepGestalt имеет точность 90,6% в первой десятке в наборе клинических тестов и 89,4% в наборе тестов публикации. Точность топ-5 и топ-1 для набора клинических тестов достигает 85,4% и 61,3% соответственно, а для набора тестов публикаций — 83,2% и 68,7% соответственно. Таким образом, клиника может лучше расставить приоритеты и диагностировать генетические нарушения с помощью автоматизированной структуры анализа лица. Потенциально DeepGestalt добавляет значительную ценность оценке лицевого фенотипа генетического расстройства в клинической генетике, молекулярных исследованиях и исследованиях.

В 2022 г., основываясь на предыдущей работе, Hsieh et al. предложил GestaltMatcher6, который использовал DCNN, обученные на фотографиях пациентов, в качестве кодировщика для преобразования фотографий лица в векторы признаков для формирования пространства клинического фенотипа лица (CFPS). Затем они количественно оценили сходство между пациентами по косинусному расстоянию двух векторов в CFPS. При таком подходе исследователи могут поддерживать крайне редкие синдромы, которым не хватает изображений для обучения, и переводить поддерживаемые синдромы на следующий уровень (с 299 до 1115 синдромов). GestaltMatcher также может идентифицировать новые расстройства. Более того, это способствует давней дискуссии о различимости внутри нозологии генетических заболеваний. В настоящее время анализируются 11 новых генов болезней, и четыре из них были представлены в рецензируемый журнал.