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

A paralisia facial, frequentemente conhecida como paralisia de Bell, é uma condição súbita em que os músculos de um lado do rosto enfraquecem ou param de funcionar inteiramente. Pode deixar uma pessoa com a boca caída, um olho fechado que não abre e uma testa que se recusa a franzir. Para os médicos, julgar o quão grave é essa condição e acompanhar se um paciente está melhorando geralmente depende de um olhar treinado. Um especialista observa o rosto e atribui uma pontuação baseada em quanto movimento resta. Este método funciona bem quando um especialista está presente, mas em muitas partes do mundo, particularmente em todo o Sul da Ásia, tais especialistas são raros. A maioria dos pacientes é atendida primeiro por clínicos gerais que podem não ter o mesmo nível de treinamento. Para tornar as coisas mais difíceis, o julgamento humano pode variar de um médico para outro, e pequenas melhorias na condição de um paciente são difíceis de detectar quando são medidas por uma escala subjetiva em vez de um número preciso.

Pesquisadores há muito esperam que computadores possam resolver este problema, tirando uma fotografia do rosto de um paciente e medindo a diferença entre o lado esquerdo e o direito com consistência perfeita. A ideia é construir uma ferramenta que funcione em hardware comum, como um laptop ou tablet padrão, para que possa ser usada em clínicas sem equipamentos caros. No entanto, uma grande preocupação tem sido se essas ferramentas de computador funcionam igualmente bem para pessoas de todas as origens. Muitos sistemas de reconhecimento facial foram historicamente treinados em conjuntos de dados que apresentam majoritariamente pessoas com tons de pele mais claros, levando ao temor de que possam falhar ou fornecer leituras imprecisas para pessoas com peles mais escuras ou características faciais diferentes. Se uma ferramenta destinada a ajudar a todos falha silenciosamente em grupos específicos de pessoas, ela pode fazer mais mal do que bem.

Uma equipe de pesquisadores da Universidade Médica King Edward estabeleceu-se para testar um novo sistema de computador projetado especificamente para esta tarefa, focando em saber se ele poderia medir a assimetria facial de forma confiável através de uma ampla variedade de rostos humanos. Eles não testaram o sistema em pacientes com paralisia de Bell ainda; em vez disso, usaram uma grande coleção de fotografias de pessoas saudáveis de sete grupos demográficos diferentes para ver como a ferramenta se comportava quando não havia doença presente. O objetivo deles era garantir que o sistema fosse estável e justo antes que fosse usado em um paciente doente. Eles construíram um pipeline que primeiro encontra o rosto em uma foto, depois mapeia centenas de pontos ao longo da pele para criar um contorno digital e, finalmente, desenha uma linha imaginária descendo pelo centro do rosto para medir o quão longe cada ponto se situa desse centro.

O sistema que eles construíram utiliza um componente de software pré-treinado que pode encontrar instantaneamente 478 pontos específicos em um rosto a partir de uma única imagem. Uma vez que possui esses pontos, ele calcula uma pontuação que representa o quão desigual é o rosto. Uma pontuação de zero significaria um rosto perfeitamente simétrico, enquanto uma pontuação mais alta indica mais assimetria. Os pesquisadores testaram isso em mais de 10.000 imagens de um conjunto de dados público chamado FairFace, que foi cuidadosamente construído para incluir números equilibrados de pessoas de origens do Leste Asiático, Sudeste Asiático, Indiana, Negra, Latina Hispânica, Branca e do Oriente Médio. Eles queriam ver se o computador conseguia encontrar o rosto na foto e se a pontuação de assimetria resultante era consistente entre todos esses diferentes grupos.

Os resultados mostraram que o sistema é amplamente eficaz, mas possui algumas peculiaridades específicas. Ele encontrou o rosto com sucesso e calculou uma pontuação em cerca de 90 por cento das imagens. No entanto, a taxa de falha em encontrar um rosto não foi a mesma para todos. Contrariamente à expectativa comum de que tais ferramentas tenham mais dificuldade com rostos não ocidentais, este sistema falhou mais frequentemente em rostos brancos e do Oriente Médio do que em rostos do Sudeste Asiático. A taxa de falha foi a mais baixa para rostos do Sudeste Asiático, em cerca de 6 por cento, e a mais alta para rostos brancos, em quase 13 por cento. Os pesquisadores observaram que esta inversão provavelmente decorre de diferenças na origem das fotos, como variações na iluminação, a presença de barbas ou óculos, ou o ângulo da cabeça, em vez de uma falha fundamental na forma como o computador vê diferentes tons de pele. Este achado sugere que, antes de implantar tal ferramenta em uma nova região, é essencial testá-la diretamente na população local, em vez de assumir que ela se comportará da mesma forma que fez em um conjunto de dados diferente.

Quando o sistema mediu com sucesso os rostos de pessoas saudáveis, os resultados foram notavelmente consistentes. A pontuação média de assimetria para um rosto saudável foi muito baixa, pairando em torno de 0,187. Embora testes estatísticos tenham mostrado diferenças minúsculas entre os grupos, essas diferenças eram tão pequenas que não importariam em um cenário clínico do mundo real. O sistema provou que poderia medir um rosto saudável com a mesma precisão de base, independentemente do grupo demográfico da pessoa. Uma parte específica da medição, no entanto, destacou-se como pouco confiável: a área ao redor do canto interno do olho. Como esta parte do rosto está tão próxima da linha central, a matemática usada para calcular a pontuação tornou-se instável, produzindo números artificialmente altos que não refletiam a estrutura facial real. Os pesquisadores identificaram isso como um artefato matemático em vez de um achado biológico real, observando que a ferramenta funciona melhor ao observar características mais distantes do centro, como a boca ou o canto externo do olho.

Para tornar a ferramenta útil para médicos, os pesquisadores também estabeleceram uma forma de sinalizar imagens que poderiam precisar de atenção. Eles calcularam uma pontuação de limite para cada grupo, configurada de modo que apenas os 5 por cento superiores de rostos saudáveis fossem sinalizados como potencialmente anormais. Esses limites foram muito semelhantes entre todos os grupos, com apenas uma pequena variação de cerca de 8,8 por cento entre o menor e o maior. Isso significa que uma pontuação padrão única poderia provavelmente ser usada para a maioria das pessoas, embora o sistema possa precisar de uma regra ligeiramente ajustada para rostos do Sudeste Asiático para evitar muitos alarmes falsos. Os pesquisadores foram cuidadosos ao afirmar que este sistema atualmente apenas controla alarmes falsos em pessoas saudáveis; ele ainda não foi testado para ver se consegue identificar casos reais de paralisia de Bell. Esse é o próximo passo.

O estudo conclui que este sistema de computador leve está pronto para passar de um teste teórico para um ensaio no mundo real, desde que os médicos compreendam suas limitações. É uma ferramenta que pode rodar em hardware comum e fornecer medições consistentes em diversas populações, mas ainda não é um dispositivo de diagnóstico. Os pesquisadores enfatizam que a capacidade do sistema de detectar a própria doença permanece não comprovada e deve ser validada em um estudo clínico com pacientes reais. Até lá, a ferramenta serve como uma maneira confiável de medir a simetria facial em indivíduos saudáveis, oferecendo um caminho promissor para um cuidado mais consistente e acessível para pessoas com paralisia facial em ambientes com recursos limitados. O trabalho destaca que, antes de uma máquina poder ajudar um médico, ela deve primeiro provar que consegue ver o mundo claramente, sem viés ou erro, através de todo o espectro de rostos humanos.