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

Faciale verlamming, vaak bekend als Bell's parese, is een plotselinge aandoening waarbij de spieren aan één zijde van het gezicht verzwakken of volledig stoppen met werken. Het kan een persoon een hangende mond laten hebben, een oog dat niet dicht wil gaan en een voorhoofd dat weigert te rimpelen. Voor artsen is het beoordelen van de ernst van deze aandoening en het bijhouden van de voortgang van een patiënt meestal afhankelijk van een getraind oog. Een specialist bekijkt het gezicht en wijst een score toe op basis van hoeveel beweging er nog over is. Deze methode werkt goed wanneer een specialist aanwezig is, maar in veel delen van de wereld, met name in Zuid-Azië, zijn dergelijke experts zeldzaam. De meeste patiënten worden eerst gezien door huisartsen die mogelijk niet over hetzelfde niveau van training beschikken. Om het nog moeilijker te maken, kan het menselijk oordeel variëren van de ene arts naar de andere, en zijn kleine verbeteringen in de conditie van een patiënt moeilijk te ontdekken wanneer deze worden gemeten met een subjectieve schaal in plaats van een precies getal.

Onderzoekers hopen al lang dat computers dit probleem kunnen oplossen door een foto van het gezicht van een patiënt te nemen en het verschil tussen de linker- en rechterkant met perfecte consistentie te meten. Het idee is om een hulpmiddel te bouwen dat werkt op gewone hardware, zoals een standaard laptop of tablet, zodat het gebruikt kan worden in klinieken zonder dure apparatuur. Een grote zorg is echter geweest of deze computertools even goed werken voor mensen van alle achtergronden. Veel gezichtsherkenningssystemen zijn historisch gezien getraind op datasets die voornamelijk mensen met lichtere huidtinten bevatten, wat leidde tot de vrees dat ze zouden kunnen falen of onnauwkeurige metingen zouden geven voor mensen met een donkere huid of andere gelaatstrekken. Als een hulpmiddel dat bedoeld is om iedereen te helpen, stilletjes faalt bij specifieke groepen, zou het meer kwaad dan goed kunnen doen.

Een team van onderzoekers van het King Edward Medical University zette zich af om een nieuw computersysteem te testen dat specifiek voor deze taak is ontworen, met de focus op de vraag of het betrouwbaar de gezichtsasymmetrie kan meten over een grote verscheidenheid aan menselijke gezichten. Ze hebben het systeem nog niet getest op patiënten met Bell's parese; in plaats daarvan gebruikten ze een grote collectie foto's van gezonde mensen uit zeven verschillende demografische groepen om te zien hoe het hulpmiddel zich gedroeg wanneer er geen ziekte aanwezig was. Hun doel was om ervoor te zorgen dat het systeem stabiel en eerlijk was voordat het ooit op een zieke patiënt werd gebruikt. Ze bouwden een pijplijn die eerst het gezicht in een foto vindt, vervolgens honderden punten over de huid brengt om een digitale omtrek te creëren, en tot slot een denkbeeldige lijn door het midden van het gezicht trekt om te meten hoe ver elk punt van dat midden verwijderd is.

Het systeem dat zij hebben gebouwd, maakt gebruik van een vooraf getrainde softwarecomponent die direct 478 specifieke punten op een gezicht kan vinden vanuit één enkele afbeelding. Zodra het deze punten heeft, berekent het een score die vertegenwoordigt hoe ongelijkmatig het gezicht is. Een score van nul zou een perfect symmetrisch gezicht betekenen, terwijl een hogere score meer asymmetrie aangeeft. De onderzoekers testten dit op meer dan 10.000 afbeeldingen uit een publieke dataset genaamd FairFace, die zorgvuldig is samengesteld om een evenwichtig aantal mensen uit Oost-Aziatische, Zuidoost-Aziatische, Indiase, zwarte, Latino Hispanic, witte en Midden-Oosterse achtergronden te bevatten. Ze wilden zien of de computer het gezicht in de foto kon vinden en of de resulterende asymmetriescore consistent was over al deze verschillende groepen.

De resultaten lieten zien dat het systeem grotendeels effectief is, maar enkele specifieke eigenaardigheden heeft. Het vond het gezicht en berekende een score in ongeveer 90 procent van de afbeeldingen. Echter, de mate waarin het er niet in slaagde een gezicht te vinden, was niet voor iedereen hetzelfde. In tegen van de algemene verwachting dat dergelijke tools meer moeite zouden hebben met niet-Westerse gezichten, faalde dit systeem vaker bij witte en Midden-Oosterse gezichten dan bij Zuidoost-Aziatische gezichten. De foutmarge was het laagst voor Zuidoost-Aziatische gezichten, rond de 6 procent, en het hoogst voor witte gezichten, bijna 13 procent. De onderzoekers merkten op dat deze omkering waarschijnlijk voortkomt uit verschillen in de bron van de foto's, zoals variaties in verlichting, de aanwezigheid van baarden of brillen, of de hoek van het hoofd, in plaats van een fundamenteel gebrek in hoe de computer verschillende huidtinten ziet. Deze bevinding suggereert dat het essentieel is om een dergelijke tool direct op de lokale populatie te testen voordat men deze in een nieuwe regio implementeert, in plaats van ervan uit te gaan dat deze op dezelfde manier zal functioneren als in een andere dataset.

Wanneer het systeem de gezichten van gezonde mensen succesvol mat, waren de resultaten opmerkelijk consistent. De gemiddelde asymmetriescore voor een gezond gezicht was erg laag, rond de 0,187. Hoewel statistische tests kleine verschillen tussen de groepen lieten zien, waren deze verschillen zo gering dat ze in een echte klinische setting er niet toe zouden doen. Het systeem bewees dat het een gezond gezicht met dezelfde basisprecisie kon meten, ongeacht de demografische achtergrond van de persoon. Eén specifiek deel van de meting viel echter op als onbetrouwbaar: het gebied rond de binnenhoek van het oog. Omdat dit deel van het gezicht zo dicht bij de middellijn ligt, werd de wiskunde die gebruikt wordt om de score te berekenen instabiel, wat kunstmatig hoge getallen produceerde die de werkelijke gezichtsstructuur niet weerspiegelden. De onderzoekers identificeerden dit als een wiskundig artefact in plaats van een echt biologisch gegeven, waarbij zij opmerkten dat het hulpmiddel het beste werkt bij kenmerken die verder van het centrum liggen, zoals de mond of het buitenste oog.

Om het hulpmiddel bruikbaar te maken voor artsen, stelden de onderzoekers ook een manier vast om afbeeldingen te markeren die aandacht nodig hebben. Ze berekenden een drempelwaarde voor elke groep, ingesteld zodat slechts de bovenste 5 procent van de gezonde gezichten als potentieel abnormaal zouden worden gemarkeerd. Deze drempelwaarden waren zeer vergelijkbaar tussen de groepen, met slechts een kleine variatie van ongeveer 8,8 procent tussen de laagste en hoogste. Dit betekent dat een enkele standaardscore waarschijnlijk voor de meeste mensen gebruikt kan worden, hoewel het systeem mogelijk een iets aangepaste regel nodig heeft voor Zuidoost-Aziatische gezichten om te voorkomen dat er te veel valse alarmen worden geslagen. De onderzoekers waren er zorgvuldig op dat dit systeem momenteel alleen controleert op valse alarmen bij gezonde mensen; het is nog niet getest om te zien of het daadwerkelijke gevallen van Bell's parese correct kan identificeren. Dat is de volgende stap.

De studie concludeert dat dit lichtgewicht computersysteem klaar is om van een theoretische test over te gaan naar een praktijktest, mits artsen de beperkingen begrijpen. Het is een hulpmiddel dat op gewone hardware kan draaien en consistente metingen kan geven over diverse populaties, maar het is nog geen diagnostisch apparaat. De onderzoekers benadrukken dat het vermogen van het systeem om de ziekte zelf te detecteren nog onbewezen is en gevalideerd moet worden in een klinische studie met daadwerkelijke patiënten. Tot die tijd dient het hulpmiddel als een betrouwbare manier om de gezichtssymmetrie bij gezonde individuen te meten, wat een veelbelovend pad biedt naar meer consistente en toegankelijke zorg voor mensen met een verlamming van het gezicht in omgevingen met beperkte middelen. Het werk onderstreept dat voordat een machine een arts kan helpen, deze eerst moet bewijzen dat hij de wereld helder kan zien, zonder bias of fouten, over het volledige spectrum van menselijke gezichten.