A Machine Learning System for Quantifying Facial Asymmetry in Bell’s Palsy across Underrepresented Phenotypes

Gesichtslähmung, oft als Bellсhne bekannt, ist ein plötzlicher Zustand, bei dem die Muskeln auf einer Seite des Gesichts schwächer werden oder die Funktion ganz einstellen. Dies kann dazu führen, dass das Gesicht eines Menschen eine hängende Mundpartie, ein Auge, das sich nicht öffnen lässt, und eine Stirn aufweisen, die sich nicht mehr kräuselt. Für Ärzte beruht die Beurteilung der Schwere dieses Zustands und die Verfolgung der Genesung eines Patienten meist auf einem geschulten Auge. Ein Spezialist betrachtet das Gesicht und vergibt eine Punktzahl basierend darauf, wie viel Bewegung noch vorhanden ist. Diese Methode funktioniert gut, wenn ein Spezialist anwesend ist, aber in vielen Teilen der Welt, insbesondere in Südasien, sind solche Experten selten. Die meisten Patienten werden zuerst von Hausärzten gesehen, die möglicherweise nicht über das gleiche Maß an Ausbildung verfügen. Erschwerend kommt hinzu, dass das menschliche Urteilsvermögen von Arzt zu Arzt variieren kann und kleine Verbesserungen im Zustand eines Patienten schwer zu erkennen sind, wenn sie mit einer subjektiven Skala statt mit einer präzisen Zahl gemessen werden.

Forscher hofften schon lange, dass Computer dieses Problem lösen könnten, indem sie ein Foto des Gesichts eines Patienten aufnehmen und den Unterschied zwischen der linken und der rechten Seite mit perfekter Konsistenz messen. Die Idee ist, ein Werkzeug zu bauen, das auf gewöhnlicher Hardware, wie einem Standard-Laptop oder Tablet, funktioniert, damit es in Kliniken ohne teure Ausrüstung eingesetzt werden kann. Eine große Sorge war jedoch, ob diese Computertools für Menschen aller Hintergründe gleichermaßen gut funktionieren. Viele Gesichtserkennungssysteme wurden historisch gesehen auf Datensätzen trainiert, die hauptsächlich Menschen mit helleren Hauttönen zeigen, was zu der Befürchtung führte, dass sie bei Menschen mit dunklerer Haut oder anderen Gesichtszügen versagen oder ungenaue Messwerte liefern könnten. Wenn ein Werkzeug, das allen helfen soll, bei bestimmten Gruppen stillschweigend versagt, könnte es mehr Schaden als Nutzen anrichten.

Ein Team von Forschern der King Edward Medical University setzte sich zum Ziel, ein neues Computersystem zu testen, das speziell für diese Aufgabe entwickelt wurde, wobei der Schwerpunkt darauf lag, ob es die Gesichtsasymmetrie über eine große Vielfalt an menschlichen Gesichtern hinweg zuverlässig messen kann. Sie testeten das System noch nicht an Patienten mit Bellschem Parese; stattdin nutzten sie eine große Sammlung von Fotografien gesunder Menschen aus sieben verschiedenen demografischen Gruppen, um zu sehen, wie das Tool reagiert, wenn keine Krankheit vorliegt. Ihr Ziel war es, sicherzustellen, dass das System stabil und fair ist, bevor es jemals an einem kranken Patienten angewendet wird. Sie entwickelten eine Pipeline, die zuerst das Gesicht in einem Foto findet, dann hunderte von Punkten über die Haut kartiert, um einen digitalen Umriss zu erstellen, und schließlich eine imaginäre Linie durch die Mitte des Gesichts zieht, um zu messen, wie weit jeder Punkt von dieser Mitte entfernt liegt.

Das von ihnen gebaute System nutzt eine vortrainierte Softwarekomponente, die in der Lage ist, 4k78 spezifische Punkte in einem Gesicht aus einem einzigen Bild sofort zu finden. Sobald es diese Punkte hat, berechnet es einen Wert, der repräsentiert, wie ungleichmäßig das Gesicht ist. Ein Wert von Null würde ein perfekt symmetrisches Gesicht bedeuten, während ein höherer Wert auf mehr Asymmetrie hindeutet. Die Forscher testeten dies an über 10.000 Bildern aus einem öffentlichen Datensatz namens FairFace, der sorgfältig zusammengestellt wurde, um eine ausgewogene Anzahl von Menschen aus ostasiatischen, südostasiatischen, indischen, schwarzen, lateinamerikanisch-hispanischen, weißen und nahöstlichen Hintergründen zu enthalten. Sie wollten sehen, ob der Computer das Gesicht auf dem Foto finden kann und ob der resultierende Asymmetriewert über all diese verschiedenen Gruppen hinweg konsistent ist.

Die Ergebnisse zeigten, dass das System weitgehend effektiv ist, aber einige spezifische Eigenheiten aufweist. Es fand das Gesicht und berechnete erfolgreich einen Wert in etwa 90 Prozent der Bilder. Die Rate, mit der es jedoch nicht gelang, ein Gesicht zu finden, war nicht für alle gleich. Entgegen der allgemeinen Erwartung, dass solche Tools eher bei nicht-westlichen Gesichtern Schwierigkeiten haben, versagte dieses System häufiger bei weißen und nahöstlichen Gesichtern als bei südostasiatischen Gesichtern. Die Fehlerrate war am niedrigsten für südostasiatische Gesichter mit etwa 6 Prozent und am höchsten für weiße Gesichter mit fast 13 Prozent. Die Forscher merkten an, dass diese Umkehrung wahrscheinlich auf Unterschiede in der Quelle der Fotos zurückzuführen ist, wie etwa Variationen in der Beleuchtung, das Vorhandensein von Bärten oder Brillen oder den Winkel des Kopfes, und nicht auf einen grundlegenden Fehler darin, wie der Computer verschiedene Hauttöne sieht. Dieser Befund legt nahe, dass es unerlässlich ist, ein solches Tool direkt an der lokalen Bevölkerung zu testen, bevor man es in einer neuen Region einsetzt, anstatt davon auszugehen, dass es sich genauso verhält wie in einem anderen Datensatz.

Wenn das System die Gesichter gesunder Menschen erfolgreich maß, waren die Ergebnisse bemerkenswert konsistent. Der durchschnittliche Asymmetriewert für ein gesundes Gesicht war sehr niedrig und lag bei etwa 0,187. Obwohl statistische Tests winzige Unterschiede zwischen den Gruppen aufzeigten, waren diese Unterschiede so geringfügig, dass sie in einem realen klinischen Umfeld keine Rolle spielen würden. Das System bewies, dass es ein gesundes Gesicht unabhängig vom demografischen Hintergrund der Person mit der gleichen Basispräzision messen kann. Ein spezifischer Teil der Messung fiel jedoch als unzuverlässig auf: der Bereich um den inneren Augenwinkel. Da dieser Teil des Gesichts so nah an der Mittellinie liegt, wurde die Mathematik, die zur Berechnung des Wertes verwendet wird, instabil und lieferte künstlich hohe Zahlen, die nicht die tatsächliche Gesichtsstruktur widerspiegeln. Die Forscher identifizierten dies als mathematisches Artefakt und nicht als echten biologischen Befund, wobei sie anmerkten, dass das Tool am besten bei Merkmalen funktioniert, die weiter von der Mitte entfernt liegen, wie dem Mund oder dem äußeren Auge.

Um das Werkzeug für Ärzte nützlich zu machen, legten die Forscher auch eine Methode fest, um Bilder zu kennzeichnen, die Aufmerksamkeit erfordern könnten. Sie berechneten einen Schwellenwert für jede Gruppe, der so gesetzt wurde, dass nur die obersten 5 Prozent der gesunden Gesichter als potenziell abnormal markiert würden. Diese Schwellenwerte waren sehr ähnlich über alle Gruppen hinweg, mit einer nur geringen Variation von etwa 8,8 Prozent zwischen dem niedrigsten und dem höchsten Wert. Dies bedeutet, dass ein einziger Standardwert wahrscheinlich für die meisten Menschen verwendet werden kann, obwohl das System möglicherweise eine leicht angepasste Regel für südostasiatische Gesichter benötigt, um zu viele Fehlalarme zu vermeiden. Die Forscher stellten vorsorglich klar, dass dieses System derzeit nur die Kontrolle von Fehlalarmen bei gesunden Menschen übernimmt; es wurde noch nicht getestet, ob es tatsächliche Fälle von Bell'scher Parese korrekt identifizieren kann. Das ist der nächste Schritt.

Die Studie kommt zu dem Schluss, dass dieses leichtgewichtige Computersystem bereit ist, von einem theoretischen Test zu einem realen Versuch überzugehen, vorausgesetzt, die Ärzte verstehen seine Grenzen. Es ist ein Werkzeug, das auf gewöhnlicher Hardware laufen und konsistente Messungen über diverse Populationen hinweg liefern kann, aber es ist noch kein diagnostisches Gerät. Die Forscher betonen, dass die Fähigkeit des Systems, die Krankheit selbst zu erkennen, noch unbewiesen ist und in einer klinischen Studie mit tatsächlichen Patienten validiert werden muss. Bis dahin dient das Werkzeug als zuverlässige Methode, um die Gesichtssymmetrie bei gesunden Individuen zu messen, und bietet einen vielversprechenden Weg zu einer konsistenteren und zugänglicheren Versorgung für Menschen mit Gesichtslähmung in ressourcenarmen Gebieten. Die Arbeit unterstreicht, dass eine Maschine, bevor sie einem Arzt helfen kann, zuerst beweisen muss, dass sie die Welt klar sieht – ohne Voreingenommenheit oder Fehler – über das gesamte Spektrum der menschlichen Gesichter hinweg.