Konstgjord intelligens för analys av videodata från ansiktsrörelse, med fokus på myasthenia gravis

Motivering: Myasthenia Gravis (MG) är en autoimmun störning (AID) med antikroppar mot NMJ, vilket resulterar i olika grader av muskelutbildbarhet och svaghet. Alla strierade muskler kan vara involverade, även om de extra-okulära musklerna oftast påverkas, vilket ger upphov till en fluktuerande ptos och diplopi. Ansiktsmuskler påverkas också ofta, vilket resulterar i ögonstängningssvaghet, svårigheter att tugga och svälja eller talnedsättning. Antikroppar mot acetylkolinreceptorn (AChR) finns hos över 80% av generaliserade MG -patienter. I den rena okulära formen kan AChR -antikroppar detekteras hos nästan 50% av alla patienter. I cirka 4% finns antikroppar mot den postsynaptiska muskelspecifika receptortyrosinkinaset (MUSK) och hos 15% av patienterna med generaliserad sjukdom detekteras inga serumantikroppar1-3. Cirka 15% av ACHR MG -patienter har ett tymom, i vilket fall sjukdomen kan klassificeras som ett paraneoplastiskt syndrom2. Med en förekomst av 1 till 2 per 10.000 anses mg vara en sällsynt sjukdom2.

Rarity of MG kan göra det svårt att diagnostisera, särskilt för allmänna neurologer som troligen kommer att möta en patient med MG bara en handfull gånger under hela sin karriär. Dessutom gör sjukdomens fluktuerande karaktär det svårt att fatta lämpliga behandlingsbeslut, särskilt eftersom patienter i hela landet vanligtvis behandlas i ett specialiserat centrum (i Nederländerna, LUMC). För närvarande måste patienter som är i tvivel om de upplever en förvärring för att boka tid och resa i flera timmar för att genomgå bedömning av sin specialiserade neurolog. En objektiv, tillförlitlig biomarkör för sjukdomens svårighetsgrad som kan användas hemma skulle därför förbättra livskvaliteten för många MG -patienter kraftigt. Nya möjligheter inom modern teknik kan stödja läkare med alla typer av medicinska utmaningar, som att erbjuda diagnostiskt stöd, behandlingsbeslut eller patientuppföljning. En teknik av särskilt intresse för denna studie är avancerat ansiktsigenkänning. Vi strävar efter att studera förmågan hos befintlig programvara (FaceReader, Noldus) kontra en djup inlärningsmodell som är specifikt utvecklad för detta ändamål av gruppen Jan van Gemert vid TU Delft för att skilja mellan friska kontroller och patienter med MG och mellan MG -patienter med olika nivåer av sjukdomens svårighetsgrad.

Primära mål:

För att bestämma och jämföra diagnostiskt utbyte av två olika metoder (FaceReader -teknik och en djup inlärningsmodell som är specifikt utvecklad för videodata) för att analysera ansiktssvaghet från videoinspelningar (04: 00m) med olika standardiserade ansiktsuttryck för:

1. Skilja mellan MG -patienter och friska kontroller.
2. Skillnad mellan mild och måttlig till svår sjukdomens svårighetsgrad.