Beyond Intensity: Cross-Dataset Consistency of Temporal Facial Action-Unit Dynamics as Transferable Markers of Depression

Resumen Técnico: Más allá de la intensidad: Consistencia entre conjuntos de datos de la dinámica temporal de las Unidades de Acción Facial como marcadores transferibles de la depresión

Planteamiento del problema
El comportamiento facial es una señal objetiva reconocida para analizar los síntomas depresivos; sin embargo, la investigación actual enfrenta tres limitaciones críticas: (1) la dependencia de muestras de un solo conjunto de datos y de tamaño reducido, lo que conlleva el riesgo de sobreajuste y de capturar artefactos específicos del conjunto de datos en lugar de señales específicas de la depresión; (2) el predominio de estadísticas de intensidad agregadas (p. ej., media, desviación estándar) que ignoran la dinámica temporal; y (3) una falta de validación externa a través de diversas poblaciones, idiomas y entornos de grabación. En consecuencia, no está claro si las representaciones faciales aprendidas reflejan la depresión o si son meros artefactos de protocolos de recolección de datos específicos. Además, el intercambio de videos faciales sin procesar para la investigación multisitio se ve obstaculizado por riesgos de privacidad y reidentificación. Este estudio aborda la pregunta de qué características de las Unidades de Acción (AU) faciales se transfieren entre conjuntos de datos, en lugar de cuáles maximizan la discriminación dentro de un mismo conjunto de datos.

Metodología
El estudio utilizó una gran cohorte coreana ($N=2,608$) y un conjunto de datos externo de EE. UU. (DAIC-WOZ, $N=189$) para evaluar la consistencia trans-conjunto de los marcadores faciales.

• Recolección de datos: La cohorte coreana fue reclutada de dos hospitales y evaluada mediante la escala PHQ-9 (definido como positivo en el cribado si $\ge 10$). Los participantes completaron tareas de narrativa libre recordando sus recuerdos "más felices" y "más infelices" bajo condiciones controladas. Los videos fueron grabados a 1080p/30fps.
• Extracción de características: Utilizando OpenFace 2.0, se extrajeron las intensidades por fotograma de 17 AUs. A partir de estas series temporales, se computaron 568 características, categorizadas en:
  • Tendencia central: Intensidad media y mediana.
  • Segmentos temporales: Intensidad media en los tercios inicial, medio y final de la sesión (y divisiones más finas de cinco bloques).
  • Dinámica: Tasa de cambio (ROC), variabilidad (SD, asimetría, curtosis) y autocorrelación.
  • Patrones de ráfaga (Burst): Frecuencia, duración y espaciamiento de ráfagas de alta intensidad.
  • Estructura de picos: Número de picos e intervalos entre picos.
  • Coordinación: Coactivación de pares de AU y coordinación facial global, centrándose específicamente en las sonrisas Duchenne (coactivación de AU06 y AU12).
• Análisis de la sonrisa: Un análisis específico clasificó los fotogramas en Duchenne (AU06+AU12), no Duchenne (solo AU12), solo ojos (solo AU06) o neutro. Una métrica clave, au06_given_au12, midió la intensidad de la AU06 condicionada a la activación de la AU12 para cuantificar el desacoplamiento ojo-boca.
• Estrategia de evaluación:
  1. Intra-cohorte: Las características fueron clasificadas según su tamaño del efecto (d de Cohen) y AUROC en la cohorte coreana.
  2. Transferibilidad entre conjuntos de datos: Se calculó el acuerdo direccional (signo de la d de Cohen) entre la cohorte coreana y DAIC-WOZ. Las características fueron probadas para su robustez frente a la longitud de la grabación, la demografía (sexo, edad) y el contexto emocional (feliz vs. infeliz).
  3. Criterios de validación: Una característica se consideró un biomarcador robusto solo si cumplía con múltiples criterios: significancia estadística (Bonferroni/FDR), dirección concordante a través de condiciones emocionales, acuerdo direccional con DAIC-WOZ y estabilidad a través de los tercios de longitud de grabación.

Resultos clave

• Discrepancia Intra-conjunto vs. Inter-conjunto: Las señales discriminativas más fuertes dentro de la cohorte coreana fueron las características de intervalo de pico (p. ej., intervalo de pico de la AU26, $d = -0.66$). Sin embargo, estas características exhibieron una reversión sistemática de signo en el conjunto de datos DAIC-WOZ (tasa de acuerdo de 0–33%).
• Características transferibles: Por el contrario, las características de segmento temporal, tendencia central y de dinámica mostraron un alto acuerdo direccional (82–90% tras excluir las características de pico). Estas características preservaron su dirección de efecto a pesar de las diferencias en raza, idioma, tarea y longitud de la grabación.
• El rol de la AU06: La AU06 (elevador de la mejilla) surgió como el biomarcador más consistente. Mientras que la AU12 (tracción de la comisura labial) mostró fuertes señales intra-cohorte, perdió consistencia en la validación externa. Las características temporales derivadas de la AU06 (p. ej., intensidad de la sesión temprana, tasa de cambio) superaron consistentemente todos los criterios de validación.
• Composición de la sonrisa: Los síntomas depresivos no estuvieron marcados primordialmente por una reducción en la frecuencia de la sonrisa, sino por un cambio cualitativo en la composición de la sonrisa. El grupo con depresión exhibió menos sonrisas Duchenne y más sonrisas no Duchenne (solo boca). El marcador más fuerte fue el desacoplamiento ojo-boca (au06_given_au12, $d \approx -0.41$), el cual sobrevivió al ajuste por edad, sexo y longitud del habla. Esto sugiere una disociación entre el movimiento bucal voluntario (AU12) y la actividad ocular involuntaria (AU06).
• Robustez: Los efectos centrales de las AU (particularmente la AU06) se mantuvieron consistentes a través de los subgrupos de sexo, edad y longitud de grabación. La reversión de las características de pico se observó incluso dentro de la cohorte de origen en diferentes longitudes de grabación, lo que indica una inestabilidad intrínseca al tipo de característica más que solo diferencias entre conjuntos de datos.

Significado y Reivindicaciones
El artículo reivindica tres contribuciones primarias:

1. Reproducción a escala: Reproduce los hallazgos de la relación AU-depresión (específicamente la reducción de la actividad de la AU06) en una gran cohorte ($N=2,608$), confirmando que estos patrones no son artefactos de estudios con muestras pequeñas.
2. Identificación de marcadores transferibles: Demuestra que el tamaño del efecto dentro de un conjunto de datos no predice la transferibilidad entre conjuntos de datos. El estudio establece la consistencia direccional como un criterio práctico para la selección de entradas transferibles. Identifica que las dinámicas temporales más lentas y las características centradas en la AU06 se generalizan, mientras que las características de estructura de pico no lo hacen.
3. Perspectiva Mecanística y Privacidad: El estudio vincula el "desacoplamiento ojo-boca" observado con la distinción neuroanatómica entre las vías faciales voluntarias (piramidales) y emocionales (extrapiramidales). Clínicamente, esto sugiere que la calidad de una sonrisa (genuina vs. voluntaria) es un marcador más robusto que la cantidad de sonrisas. Además, los autores proponen que las series temporales de las AU, al ser de baja dimensión y no identificables en comparación con el video sin procesar, podrían servir como una entrada que preserve la privacidad para la investigación de la depresión en múltiples sitios, siempre que la extracción de características esté estandarizada.

Los autores declaran explícitamente que estos marcadores son mejores para usarse como señales auxiliares en el cribado en lugar de herramientas diagnósticas independientes, y advierten que la validación actual se limita al acuerdo direccional, no a la transferencia del rendimiento de modelos predictivos.