以后看病先看照片？AI技术大突破，仅识图可精确锁定罕见病

GestaltMatcher facilitates rare disease matching using facial phenotype descriptors

作者：Hsieh, Tzung-Chien, Bar-Haim, Aviram, Moosa, Shahida, Ehmke, Nadja, Gripp, Karen W., Pantel, Jean Tori, Danyel, Magdalena, Mensah, Martin Atta, Horn, Denise, Rosnev, Stanislav, Fleischer, Nicole, Bonini, Guilherme, Hustinx, Alexander, Schmid, Alexander, Knaus, Alexej, Javanmardi, Behnam, Klinkhammer, Hannah, Lesmann, Hellen, Sivalingam, Sugirthan, Kamphans, Tom, Meiswinkel, Wolfgang, Ebstein, Frédéric, Krüger, Elke, Küry, Sébastien, Bézieau, Stéphane, Schmidt, Axel, Peters, Sophia, Engels, Hartmut, Mangold, Elisabeth, Kreiß, Martina, Cremer, Kirsten, Perne, Claudia, Betz, Regina C., Bender, Tim, Grundmann-Hauser, Kathrin, Haack, Tobias B., Wagner, Matias, Brunet, Theresa, Bentzen, Heidi Beate, Averdunk, Luisa, Coetzer, Kimberly Christine, Lyon, Gholson J., Spielmann, Malte, Schaaf, Christian P., Mundlos, Stefan, Nöthen, Markus M., Krawitz, Peter M.

收起

期刊：Nature Genetics

发表时间：2022/02/10

数字识别码：10.1038/s41588-021-01010-x

摘要：

Many monogenic disorders cause a characteristic facial morphology. Artificial intelligence can support physicians in recognizing these patterns by associating facial phenotypes with the underlying syndrome through training on thousands of patient photographs. However, this 'supervised’ approach means that diagnoses are only possible if the disorder was part of the training set. To improve recognition of ultra-rare disorders, we developed GestaltMatcher, an encoder for portraits that is based on a deep convolutional neural network. Photographs of 17,560 patients with 1,115 rare disorders were used to define a Clinical Face Phenotype Space, in which distances between cases define syndromic similarity. Here we show that patients can be matched to others with the same molecular diagnosis even when the disorder was not included in the training set. Together with mutation data, GestaltMatcher could not only accelerate the clinical diagnosis of patients with ultra-rare disorders and facial dysmorphism but also enable the delineation of new phenotypes.

收起

所属学科：

遗传学

阅读论文原文

药明康德内容团队编辑  

人的一生中可能会经历很多次基因突变，有些突变能够及时得到修复或者不会有明显影响，有些突变则可能成为潜在的致病源头。尽管许多罕见病是因为某些基因的突变而产生的，但想要诊断出疾病类型往往需要花费很长的时间。

而对患有罕见先天性心脏病、发育迟缓等疾病的患者来说，越早诊断就意味着能尽早地接受诊疗干预措施。意外的是，面部识别可能会成为帮助这类患者的有力助手，根据《自然-遗传学》的一项新研究，人工智能完全可以通过识别面部特征来诊断疾病，也就是看脸识病。

这是由于罕见病的基因突变往往会在许多面部特征上体现出来，尤其是鼻根、脸颊甚至眉毛都会因为不同的疾病塑造成不同的特征。最早在2018年，AI看脸识病技术就已经初见锋芒。德国和美国科学家曾在4年前推出了名为“DeepGestalt”的识别系统，它接受了来自91种遗传罕见病的323张照片的训练，在训练过程大约需要10张患者的面部照片才能找到特定的特征联系。

当然，由于当时获得的照片数量很有限，因此“DeepGestalt”在众多罕见病识别中都难以发挥更好的作用。并且它在判断具有相似特征的未确诊人群中，实用性会大大下降。

为了克服这些障碍，最近的研究再次对AI进行了更新升级，首先便是通过与数字健康公司以及9所大学合作，获取了超过1.7万张罕见病患者的照片。随后AI需要通过多个照片集来分析和学习，尤其是区分患者与健康人，不同疾病之间的相似特征。

▲AI可以通过照片分析出患者最可能是哪种罕见病（图片来源：参考资料[2]）

并且这些照片来自的罕见病患者种类更加广泛，涉及到了1115种不同的罕见症状。他们将新训练的AI叫做GestaltMatcher。与DeepGestalt相比，尽管照片库扩大到约4倍，它对前10种罕见病的判断准确率只下降了2.4%。这意味着新一代AI，可以在更广的罕见病中不降低准确率地发挥作用。

此外，GestaltMatcher最大的进步是它能够判断患者的综合征，例如根据照片评估患者的面部表型来寻找它是否符合某类已知罕见病的特征，并且如果这个患者带有了某类未知功能的基因突变，它会自动将其归类为可能致病基因系列。

▲初代AI主要分析的面部特征（图片来源：参考资料[3]）

此外，它还能将一些难以判断的患者照片归类到一个子集中，这样能寻找他们是否具备共有的基因缺陷，是否足够形成一个新的罕见病。

参与这项研究的Aviram Bar-Haim博士表示：“它可以帮助临床医生解决具有挑战性的病例，提升研究者对罕见病的理解。”例如医生可以随时用手机给患者拍照，然后交给人工智能来分析罕见病的类别。

目前，研究团队已经将收集的数据提交给非营利性组织，以供所有的研究人员使用。他们希望未来能提高算法准确性，进一步研制出实用的罕见病诊断人工智能。

参考资料：

[1]Facial analysis improves diagnosis. Retrieved Feb 11th, 2022 from https:///news/2022-02-facial-analysis-diagnosis.html

[2] Tzung-Chien Hsieh et al, GestaltMatcher facilitates rare disease matching using facial phenotype descriptors, Nature Genetics (2022). DOI: 10.1038/s41588-021-01010-x

[3]DeepGestalt - Identifying Rare Genetic Syndromes Using Deep Learning. Retrieved Feb 11th, 2022 from https:///publication/deepgestalt-identifying-rare-genetic-syndromes-using-deep-learning