Hierarchical Classification via Cascading Feature Elimination: Application to Human Phenotype Ontology-Aligned Facial Phenotyping (FaceMesh2HPO)

Sintesi Tecnica: FaceMesh2HPO

Definizione del Problema
Gli attuali strumenti diagnostici basati su immagini per i disturbi genetici operano tipicamente come "scatole nere" (black boxes), fornendo previsioni a livello di sindrome direttamente da fotografie 2D. Sebbene efficaci per le condizioni comuni, questi metodi mancano di interpretabilità, non supportano la descrizione strutturata della morfologia facciale richiesta per il ragionamento clinico e faticano a generalizzare verso sindromi non ancora viste. Inoltre, i dataset esistenti soffrono spesso di annotazioni sparse e presenti solo in modo positivo, rendendo difficile distinguere tra tratti assenti e tratti non annotati. Gli autori sostengono che l'analisi facciale debba essere riformulata dal passaggio dalla classificazione diretta della sindrome alla previsione di tratti fenotipici allineati con l'Human Phenotype Ontology (HPO), il che riflette meglio il processo di valutazione sistematica utilizzato dai clinici.

Metodologia
Il documento introduce FaceMesh2HPO, un framework gerarchico progettato per classificare i descrittori fenotipici facciali allineati con l'albero HPO. La metodologia si compone di quattro componenti principali:

1. Curatela e Annotazione dei Dati:

   • Gli autori hanno utilizzato un sottoinsieme del database GestaltMatcher (GMDB), concentrandosi su 10 disturbi con dismorfismi facciali rilevanti.
   • Per affrontare la scarsità di annotazioni, 124 clinici hanno annotato manualmente 1.230 immagini per 107 termini HPO (59 termini foglia e 48 termini genitore). Il protocollo permetteva etichette "presente", "assente" o "incerto", raffinando la curatela originale del GMDB.
   • Un set di test indipendente di 75 immagini relative a 17 disturbi (inclusi i sindromi non viste) è stato annotato da più esperti per garantire un'elevata affidabilità.

2. Rappresentazione Geometrica:

   • Invece di pixel 2D grezzi, il sistema estrae mesh facciali 3D con 478 punti rilevati automaticamente da immagini 2D utilizzando MediaPipe.
   • L'input include le coordinate della mesh, il contorno del viso e metadati opzionali (età, sesso, etnia).

3. Architettura a Cascata Gerarchica:

   • L'albero HPO viene semplificato in una gerarchia rigida (rimuovendo i collegamenti incrociati) dove ogni nodo rappresenta un termine HPO modellato da un classificatore dedicato basato su PointNet.
   • Addestramento a Cascata (Cascading Training): I modelli vengono addestrati dalla radice (es. "Anomalia del volto") verso le foglie. Ogni modello viene addestrato sui dati dei suoi discendenti.
   • Eliminazione delle Caratteristiche (Point Pruning): Un'innovazione chiave è l'eliminazione iterativa dei punti della mesh. Dopo l'addestramento di un modello genitore, vengono utilizzati gli Integrated Gradients per calcolare l'importanza dei punti come caratteristiche. I punti che scendono sotto una specifica soglia vengono potati ed esclusi dall'addestramento dei modelli figli. Ciò costringe i modelli figli a concentrarsi sulle regioni più salienti per i tratti specifici, riducendo complessità e rumore.
   • Architettura Dinamica: L'architettura PointNet adatta dinamicamente il numero di parametri ($p$) in base al numero di punti di input rimanenti dopo la potatura per mantenere l'efficienza.

4. Strategia di Addestramento:

   • I modelli utilizzano una validazione incrociata stratificata a 5 pieghe (5-fold cross-validation).
   • I controlli non affetti sono tratti dal dataset UTKFace, appaiati per età, sesso ed etnia.
   • Vengono impiegate etichette morbide (soft labels, es. 0.05 per i campioni negativi) per gestire l'incertezza nel gruppo di controllo, riconoscendo che gli individui "non affetti" nei dataset pubblici possono comunque possedere tratti sottili.

Contributi Chiave

• Framework: Un nuovo framework centrato sul fenotipo che predice i termini HPO invece delle sindromi, consentendo rappresentazioni granulari e riutilizzabili.
• Dataset: Un benchmark di grandi dimensioni curato dai clinici (GMDB-HPO) con annotazioni esplicite positive e negative per 107 termini HPO facciali attraverso 10 disturbi.
• Innovazione Metodologica: L'introduzione dell'eliminazione delle caratteristiche a cascata, in cui l'analisi dell'importanza dei punti pota la mesh per i modelli a valle, allineando il focus del modello con la struttura gerarchica dell'ontologia.
• Strumentazione: Un'applicazione web (FaceMesh2HPO Web Tool) che consente ai clinici di caricare immagini, visualizzare le previsioni gerarchiche e ispezionare le mappe di calore dell'importanza delle caratteristiche sulla mesh facciale.

Risultati

• Performance: La configurazione ottimale (mesh 3D, contorno del viso, metadati, soglia di importanza delle caratteristiche di 0.01, soft labels di 0.05) ha raggiunto un AUROC medio di 0.750 ± 0.042 per tutti i modelli HPO nella validazione incrociata.
• Effetti della Gerarchia: Le performance variano in base al livello dell'ontologia. I nodi genitore e di "compressione" hanno generalmente superato i nodi foglia (AUROC compresi tra ≈0.55 e ≈0.89). I primi 5 modelli HPO hanno raggiunto AUROC e F1-Score di circa ≈0.89, mentre i modelli foglia più deboli sono rimasti vicini al caso.
• Risultati dell'Ablazione:
  • Le mesh 3D hanno superato le mesh 2D.
  • L'inclusione del contorno facciale e dei metadati ha migliorato costantemente le prestazioni.
  • Soglie di importanza delle caratteristiche più basse (0.01) hanno prodotto risultati migliori rispetto a soglie più alte, poiché una potatura troppo aggressiva lasciava insufficienti punti per i modelli foglia.
  • Le etichette morbide (0.05) hanno fornito un miglioramento marginale ma costante rispetto alle etichette rigide (hard labels).
• Generalizzabilità: Nel set di test indipendente, le prestazioni variano per disturbo. I termini genitore mantengono la stabilità tra sindromi viste e non viste. Tuttavia, i fenotipi foglia specifici per disturbi rari o non visti (es. Mowat–Wilson, White–Sutton) hanno mostrato deviazioni maggiori rispetto alle prestazioni di validazione, indicando una generalizzabilità eterogenea.
• Correlazioni: È stata trovata una forte correlazione positiva tra il numero di campioni di addestramento e l'AUROC medio. I modelli foglia richiedono significativamente più campioni (≥988) per raggiungere alte prestazioni rispetto ai modelli genitore (≥1092) o ai nodi di compressione (≥222). Sorprendentemente, l'accordo tra valutatori (Inter-Rater Agreement - IRA) non è correlato con le prestazioni del modello.

Significatività e Rivendicazioni
Il documento sostiene che la rappresentazione geometrica del volto tramite mesh 3D, combinata con un'architettura PointNet gerarchica e l'eliminazione a cascata dei punti, permetta la classificazione clinicamente significativa dei fenotipi facciali. Gli autori affermano che questo approccio:

• Allinea gli output del machine learning con il ragionamento clinico, dando priorità ai tratti fenotipici rispetto alle etichette delle sindromi.
• Fornisce un supporto interpretabile agli esperti evidenziando specifiche regioni facciali (tramite l'importanza delle caratteristiche) che guidano le previsioni.
• Si trasferisce parzialmente a disturbi non visti, particolarmente a livello dei termini genitore dell'HPO, sebbene le prestazioni per i fenotipi foglia rari rimangano limitate dalla scarsità di etichette.

Gli autori concludono che, sebbene il sistema rappresenti un passo promettente verso una fenotipizzazione strutturata, esso evidenzia la necessità di coorti di addestramento più diversificate, una migliore gestione dei termini rari durante la potatura delle caratteristiche e strategie per riconciliare la selezione dei punti basata sui dati con le maschere delle regioni definite dagli esperti per migliorare la robustezza. Lo strumento è presentato come un potenziale aiuto per snellire il processo diagnostico, offrendo un supporto collegato all'ontologia piuttosto che una risposta diagnostica definitiva.