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

La paralysie faciale, souvent appelée paralysie de Bell, est une affection soudaine où les muscles d'un côté du visage s'affaiblissent ou cessent complètement de fonctionner. Elle peut laisser une personne avec une bouche tombante, un œil fermé qui ne s'ouvre pas et un front qui refuse de se rider. Pour les médecins, juger la gravité de cette condition et suivre l'amélioration d'un patient repose généralement sur un œil exercé. Un spécialiste examine le visage et attribue un score basé sur le mouvement restant. Cette méthode fonctionne bien lorsqu'un spécialiste est présent, mais dans de nombreuses parties du monde, particulièrement en Asie du Sud, de tels experts sont rares. La plupart des patients sont d'abord vus par des omnipraticiens qui peuvent ne pas avoir le même niveau de formation. Pour compliquer davantage les choses, le jugement humain peut varier d'un médecin à l'autre, et les petites améliorations de l'état d'un patient sont difficiles à repérer lorsqu'elles sont mesurées par une échelle subjective plutôt que par un nombre précis.

Les chercheurs espéraient depuis longtemps que les ordinateurs pourraient résoudre ce problème en prenant une photographie du visage d'un patient et en mesurant la différence entre le côté gauche et le côté droit avec une cohérence parfaite. L'idée est de construire un outil qui fonctionne sur du matériel ordinaire, comme un ordinateur portable ou une tablette standard, afin qu'il puisse être utilisé dans les cliniques sans équipement coûteux. Cependant, une préoccupation majeure a été de savoir si ces outils informatiques fonctionnent de manière égale pour les personnes de tous horizons. De nombreux systèmes de reconnaissance faciale ont historiquement été entraînés sur des ensembles de données présentant principalement des personnes aux tons de peau plus clairs, ce qui a fait craindre qu'ils ne puissent échouer ou donner des lectures inexactes pour les personnes à la peau plus foncée ou ayant des traits du visage différents. Si un outil destiné à aider tout le monde échoue silencieusement sur des groupes spécifiques de personnes, il pourrait faire plus de mal que de bien.

Une équipe de chercheurs de l'Université médicale King Edward s'est donné pour mission de tester un nouveau système informatique conçu spécifiquement pour cette tâche, en se concentrant sur la capacité de mesurer de manière fiable l'asymétrie faciale à travers une grande variété de visages humains. Ils n'ont pas encore testé le système sur des patients atteints de la paralysie de Bell ; ils ont plutôt utilisé une large collection de photographies de personnes en bonne santé provenant de sept groupes démographiques différents pour voir comment l'outil se comportait en l'absence de maladie. Leur objectif était de s'assurer que le système était stable et équitable avant même d'être utilisé sur un patient malade. Ils ont construit un pipeline qui trouve d'abord le visage dans une photo, puis cartographie des centaines de points sur la peau pour créer un contour numérique, et enfin trace une ligne imaginaire descendant au centre du visage pour mesurer la distance de chaque point par rapport à ce centre.

Le système qu'ils ont construit utilise un composant logiciel pré-entraîné capable de trouver instantanément 478 points spécifiques sur un visage à partir d'une seule image. Une fois ces points obtenus, il calcule un score qui représente le degré d'irrégularité du visage. Un score de zéro signifierait un visage parfaitement symétrique, tandis qu'un score plus élevé indique une asymétrie accrue. Les chercheurs ont testé cela sur plus de 10 000 images provenant d'un ensemble de données public appelé FairFace, qui a été soigneusement construit pour inclure des nombres équilibrés de personnes issues des milieux est-asiatique, sud-est asiatique, indien, noir, latino hispanique, blanc et moyen-oriental. Ils voulaient voir si l'ordinateur pouvait trouver le visage sur la photo et si le score d'asymétrie résultant était cohérent entre tous ces différents groupes.

Les résultats ont montré que le système est largement efficace mais présente certaines particularités. Il a réussi à trouver le visage et à calculer un score dans environ 90 pour cent des images. Cependant, le taux d'échec pour la détection du visage n'était pas le même pour tout le monde. Contrairement à l'attente courante selon laquelle de tels outils éprouveraient plus de difficultés avec les visages non occidentaux, ce système a en réalité échoué plus souvent sur les visages blancs et moyen-orientaux que sur les visages sud-est asiatiques. Le taux d'échec était le plus bas pour les visages sud-est asiatiques, à environ 6 %, et le plus élevé pour les visages blancs, à près de 13 %. Les chercheurs ont noté que cette inversion provient probablement des différences dans la source des photos, telles que les variations de luminosité, la présence de barbes ou de lunettes, ou l'angle de la tête, plutôt que d'un défaut fondamental dans la perception des différentes carnations par l'ordinateur. Cette conclusion suggère qu'avant de déployer un tel outil dans une nouvelle région, il est essentiel de le tester directement sur la population locale plutôt que de supposer qu'il se comportera de la même manière qu'il l'a fait dans un autre ensemble de données.

Lorsque le système a mesuré les visages de personnes en bonne santé, les résultats ont été remarquablement cohérents. Le score d'asymétrie moyen pour un visage sain était très bas, oscillant autour de 0,187. Bien que des tests statistiques aient montré de minuscules différences entre les groupes, ces différences étaient si faibles qu'elles n'auraient aucune importance dans un contexte clinique réel. Le système a prouvé qu'il pouvait mesurer un visage sain avec la même précision de base, quel que soit le groupe démographique de la personne. Une partie spécifique de la mesure, cependant, s'est avérée peu fiable : la zone autour du coin interne de l'œil. Comme cette partie du visage est très proche de la ligne centrale, le calcul mathématique utilisé pour déterminer le score est devenu instable, produisant des chiffres artificiellement élevés qui ne reflètent pas la structure faciale réelle. Les chercheurs ont identifié cela comme un artefact mathématique plutôt qu'une véritable découverte biologique, notant que l'outil fonctionne mieux lorsqu'il observe des caractéristiques plus éloignées du centre, comme la bouche ou l'extérieur de l'œil.

Pour rendre l'outil utile aux médecins, les chercheurs ont également établi un moyen de signaler les images qui pourraient nécessiter une attention particulière. Ils ont calculé un score de seuil pour chaque groupe, réglé de telle sorte que seuls les 5 % de visages sains présentant des anomalies seraient signalés. Ces seuils étaient très similaires d'un groupe à l'autre, avec une variation de seulement 8,8 % entre le plus bas et le plus haut. Cela signifie qu'un score standard unique pourrait probablement être utilisé pour la plupart des gens, bien que le système puisse nécessiter une règle légèrement ajustée pour les visages sud-est asiatiques afin d'éviter trop de fausses alertes. Les chercheurs ont pris soin de préciser que ce système ne contrôle actuellement que les fausses alertes sur les personnes en bonne santé ; il n'a pas encore été testé pour voir s'il peut identifier correctement les cas réels de paralysie de Bell. C'est la prochaine étape.

L'étude conclut que ce système informatique léger est prêt à passer d'un test théorique à un essai en conditions réelles, à condition que les médecins comprennent ses limites. C'est un outil qui peut fonctionner sur du matériel ordinaire et fournir des mesures cohérentes à travers diverses populations, mais il n'est pas encore un dispositif de diagnostic. Les chercheurs soulignent que la capacité du système à détecter la maladie elle-même reste non prouvée et doit être validée par une étude clinique sur de véritables patients. D'ici là, l'outil sert de moyen fiable pour mesurer la symétrie faciale chez les individus en bonne santé, offrant une voie prometteuse vers des soins plus cohérents et accessibles pour les personnes souffrant de paralysie faciale dans les zones à ressources limitées. Ce travail souligne qu'avant qu'une machine puisse aider un médecin, elle doit d'abord prouver qu'elle peut voir le monde clairement, sans biais ni erreur, à travers tout le spectre des visages humains.