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

Resumo Técnico: FaceMesh2HPO

Definição do Problema
As atuais ferramentas de diagnóstico baseadas em imagens para desordens genéticas operam tipicamente como "caixas pretas", gerando predições de nível de síndrome diretamente de fotografias 2D. Embora eficazes para condições comuns, esses métodos carecem de interpretabilidade, não suportam a descrição estruturada da morfologia facial necessária para o raciocínio clínico e têm dificuldade em generalizar para síndromes não observadas. Além disso, os conjuntos de dados existentes frequentemente sofrem com anotações esparsas de presença apenas, tornando difícil distinguir entre traços ausentes e não anotados. Os autores argumentam que a análise facial deve ser reformulada de uma classificação direta de síndrome para a predição de traços fenotípicos alinhados com a Ontologia do Fenótipo Humano (HPO), o que reflete melhor o processo de avaliação sistemática utilizado por clínicos.

Metodologia
O artigo apresenta o FaceMesh2HPO, um framework hierárquico projetado para classificar descritores fenotípicos faciais alinhados com a árvore HPO. A metodologia consiste em quatro componentes principais:

1. Curadoria e Anotação de Dados:

   • Os autores utilizaram um subconjunto do GestaltMatcher Database (GMDB), focando em 10 desordens com dismorfismos faciais notáveis.
   • Para abordar a esparsidade de anotação, 124 clínicos anotaram manualmente 1.230 imagens para 107 termos HPO (59 termos folha e 48 termos pai). O protocolo permitiu rótulos de "presente", "ausente" ou "incerto", refinando a curadoria original do GMDB.
   • Um conjunto de teste independente de 75 imagens de 17 desordens (incluindo síndromes não observadas) foi anotado por múltiplos especialistas para garantir alta confiabilidade.

2. Representação Geométrica:

   • Em vez de pixels 2D brutos, o sistema extrai malhas faciais 3D com 478 pontos detectados automaticamente a partir de imagens 2D usando MediaPipe.
   • A entrada inclui as coordenadas da malha, o contorno facial e metadados opcionais (idade, sexo, etnia).

3. Arquitetura de Cascata Hierárquica:

   • A árvore HPO é simplificada em uma hierarquia estrita (removendo ligações cruzadas) onde cada nó representa um termo HPO modelado por um classificador dedicado baseado em PointNet.
   • Treinamento em Cascata: Os modelos são treinados da raiz (ex: "Anormalidade da face") até as folhas. Cada modelo é treinado com dados de seus descendentes.
   • Eliminação de Características (Poda de Pontos): Uma inovação fundamental é a eliminação iterativa de pontos da malha. Após o treinamento de um modelo pai, Gradientes Integrados são usados para computar a importância dos pontos como características. Pontos que caem abaixo de um limite específico são podados e excluídos do treinamento dos modelos filhos. Isso força os modelos filhos a se concentrarem nas regiões mais salientes para traços específicos, reduzindo a complexidade e o ruído.
   • Arquitetura Dinâmica: A arquitetura PointNet ajusta dinamicamente sua contagem de parâmetros ($p$) com base no número de pontos de entrada restantes após a poda para manter a eficiência.

4. Estratégia de Treinamento:

   • Os modelos utilizam validação cruzada estratificada de 5 dobras (5-fold).
   • Controles não afetados são extraídos do dataset UTKFace, pareados por idade, sexo e etnia.
   • Rótulos suaves (ex: 0,05 para amostras negativas) são empregados para lidar com a incerteza no grupo de controle, reconhecendo que indivíduos "não afetados" em bases de dados públicas ainda podem possuir traços sutis.

Principais Contribuições

• Framework: Um novo framework centrado no fenótipo que prediz termos HPO em vez de síndromes, permitindo representações granulares e reutilizáveis.
• Dataset: Um benchmark amplo e curado por clínicos (GMDB-HPO) com anotações explícitas positivas e negativas para 107 termos HPO faciais em 10 desordens.
• Inovação Metodológica: A introdução da eliminação de características em cascata, onde a análise de importância de pontos poda a malha para modelos subsequentes, alinhando o foco do modelo com a estrutura hierárquica da ontologia.
• Ferramenta: Uma aplicação web (FaceMesh2HPO Web Tool) que permite aos clínicos fazer upload de imagens, visualizar predições hierárquicas e inspecionar mapas de calor de importância de características na malha facial.

Resultos

• Desempenho: A configuração ideal (malhas 3D, contorno facial e metadados, limiar de característica de 0,01, rótulos suaves de 0,05) alcançou uma AUROC média de 0,750 ± 0,042 em todos os modelos HPO durante a validação cruzada.
• Efeitos da Hierarquia: O desempenho variou conforme o nível da ontologia. Termos pai e nós de "compressão" geralmente superaram os nós folha (AUROCs variando de ≈0,55 a ≈0,89). Os 5 principais modelos HPO alcançaram AUROCs e F1-Scores de ≈0,89, enquanto os modelos folha mais fracos permaneceram próximos ao acaso.
• Achados de Ablação:
  • Malhas 3D superaram malhas 2D.
  • A inclusão do contorno facial e metadados melhorou consistentemente o desempenho.
  • Limiares de importância de característica mais baixos (0,01) produziram melhores resultados do que limiares mais altos, pois a poda agressiva deixou pontos insuficientes para os modelos folha.
  • Rótulos suaves (0,05) proporcionaram uma melhoria marginal, mas consistente, em relação aos rótulos rígidos.
• Generalização: No conjunto de teste independente, o desempenho variou por desordem. Termos pai mantiveram estabilidade entre síndromes observadas e não observadas. No entanto, fenótipos folha específicos para desordens raras ou não observadas (ex: Mowat–Wilson, White–Sutton) mostraram maiores desvios em relação ao desempenho de validação, indicando generalização heterogênea.
• Correlações: Foi encontrada uma forte correlação positiva entre o número de amostras de treinamento e a AUROC média. Modelos folha exigiram significativamente mais amostras (≥988) para alcançar alto desempenho em comparação com modelos pai (≥1092) ou nós de compressão (≥222). Surpreendentemente, o Acordo Entre Avaliadores (IRA) não correlacionou com o desempenho do modelo.

Significância e Alegações
O artigo afirma que representações geométricas da face via malhas 3D, combinadas com uma arquitetura PointNet hierárquica e eliminação de pontos em cascata, permitem a classificação clinicamente significativa de fenótipos faciais. Os autores sustentam que esta abordagem:

• Alinha as saídas de aprendizado de máquina com o raciocínio clínico ao priorizar traços fenotípicos sobre rótulos de síndrome.
• Fornece suporte interpretável para especialistas ao destacar regiões faciais específicas (via importância de características) que impulsionam as predições.
• Transfere-se parcialmente para desordens não observadas, particularmente no nível de termos pai da HPO, embora o desempenho para fenótipos folha específicos de desordens raras permaneça limitado.

Os autores concluem que, embora o sistema represente um passo promissor em direção à fenotipagem estruturada, ele destaca a necessidade de coortes de treinamento mais diversas, melhor manejo de termos raros durante a eliminação de pontos e estratégias para reconciliar a seleção de pontos baseada em dados com máscaras de região definidas por especialistas para aumentar a robustez. A ferramenta é apresentada como um potencial auxílio para agilizar o processo de diagnóstico, oferecendo suporte vinculado à ontologia em vez de uma resposta diagnóstica definitiva.