Utility of 3D Facial Analysis As A Biomarker In Rare Diseases Exploration with Hereditary Angioedema

这项在新加坡开展的多中心观察性研究表明，利用 3D 面部摄影结合人工智能分析能够识别出遗传性血管性水肿（HAE）发作期的特异性面部生物标志物（如眶周肿胀），从而为罕见病的非侵入性监测和精准医疗提供了新途径。

要点

这篇论文讲述了一个非常有趣且充满希望的故事：科学家试图用3D 面部扫描技术，像给脸做“高精度体检”一样，来发现罕见病的信号，特别是针对一种叫**遗传性血管性水肿（HAE）**的疾病。

为了让你更容易理解，我们可以把这篇研究想象成**“寻找脸上的隐形指纹”**。

1. 背景：为什么我们需要这个？

想象一下，世界上有超过 1 万种罕见病，就像 1 万种不同的“锁”。医生手里只有一把通用的“钥匙”（常规诊断方法），很难打开所有锁。很多患者（尤其是 HAE 患者）在确诊前，要经历漫长的“诊断迷路”（Diagnostic Odyssey），甚至长达 4 年。

HAE 这种病有个特点：患者的脸会突然肿起来，像气球一样，尤其是眼睛周围和嘴巴周围。但这种肿胀是间歇性的，有时候肿，有时候不肿。

• 痛点：当患者不肿的时候，医生很难判断他们是否处于“发作期”或“即将发作”，因为缺乏客观的指标。这就像天气预报说“明天可能下雨”，但没有雷达图，只能靠猜。

2. 核心方法：给脸拍"3D 全息照”

研究团队在新加坡的三家医院，给 20 位罕见病患者（包括 HAE 患者和其他有面部肿胀特征的病患者）拍下了3D 面部照片。

• 比喻：普通的照片是平面的（2D），就像看一张纸上的画；而 3D 扫描是立体的，就像给脸做了一个高精度的数字模型。
• 工具：他们使用了一种叫 Cliniface 的 AI 软件。你可以把它想象成一个超级挑剔的“面部测量员”。它能测量脸上 58 个基础部位，生成 108 个不同的数据点（比如眼睛间距、鼻子角度、嘴唇厚度等）。

3. 研究过程：寻找“异常值”

科学家把患者的“数字脸”和正常人的“标准脸库”（主要是华人基因背景的正常人数据）进行对比。

• 比喻：这就好比在操场上，让所有学生站成一排。正常情况下，大家的身高和五官比例都在一条平滑的曲线上。如果有个学生突然长高了 10 厘米，或者眼睛歪了，他就是一个“异常值”。
• 发现：
  • 在 108 个测量指标中，有一个指标特别明显：外眼角到鼻子的角度（Outer Canthal, Nasal Angle）。HAE 患者的这个角度，在统计学上显著不同于正常人。
  • 虽然样本量不大（只有 20 人），但这个发现就像在嘈杂的房间里听到了一声清晰的哨音，提示我们：3D 扫描真的能捕捉到肉眼可能忽略的微小变化。

4. 最精彩的案例：捕捉“肿胀的瞬间”

研究中最酷的部分是对两位 HAE 患者的长期跟踪（定性分析）。

• 案例一（一位成年男性）：

  • 他在 687 天里被拍了 7 次。
  • 故事：有一天他突然发病，脸肿了。3D 扫描立刻捕捉到了右眼周围肿胀了 3 毫米以上（肉眼可能觉得只是“有点肿”，但机器精确到了毫米级）。
  • 后续：即使在他感觉“好了”之后，扫描发现肿胀并没有完全消退，只是变回了“不对称”的状态。这揭示了患者可能没有完全遵医嘱吃药，或者病情有轻微残留。
  • 比喻：这就像给脸装了一个**“肿胀警报器”**。即使你觉得没事了，警报器（3D 扫描）还能告诉你：“嘿，这里还有 1 毫米的水没排干哦！”

• 案例二（一位成年女性）：

  • 她在 261 天内拍了两次。第一次是刚发作完，第二次是半年后。
  • 发现：扫描显示她的脸在发作时出现了不对称的肿胀（左边肿得比右边厉害）。
  • 启示：如果只看普通的照片或凭感觉，可能会忽略这种“不对称性”。但 3D 分析能精准地画出这种不对称，帮助医生判断病情。

5. 结论与意义：未来的“数字生物标记”

这项研究虽然规模还不大（就像是在大海里先捞起了一小网鱼），但它证明了3D 面部分析是一个非常有潜力的工具。

• 什么是“数字生物标记”（Digital Biomarker）？
  • 以前，医生判断病情靠的是“感觉”和“患者描述”（主观的）。
  • 现在，3D 扫描提供的是数据（客观的）。这些面部数据的微小变化，就是疾病的“数字指纹”。
• 未来的应用：
  • 早期预警：在患者还没感觉到脸肿之前，机器可能已经发现数据异常了。
  • 监控疗效：吃药后，脸是不是真的“消”了？数据说了算，而不是靠患者说“我觉得好多了”。
  • 缩短诊断迷路：对于其他罕见病，如果脸上有独特的“数字指纹”，医生可能看一眼 3D 扫描就能怀疑是某种病，从而更快确诊。

总结

简单来说，这项研究就像是在给罕见病患者开发一种“面部雷达”。

以前，医生看病靠“望闻问切”，面对罕见病时常常因为症状不明显而束手无策。现在，通过3D 拍照 + AI 分析，我们能把脸上那些肉眼看不见的微小变化（比如 3 毫米的肿胀、几度的角度偏差）变成精确的数据。

虽然目前还需要更多人来验证这个“雷达”是否足够灵敏，但它已经向我们展示了一个充满希望的未来：利用科技，让罕见病不再“隐形”，让治疗更加精准和及时。

技术摘要

以下是基于该预印本论文《Utility of 3D Facial Analysis As A Biomarker In Rare Diseases Exploration with Hereditary Angioedema》（3D 面部分析作为罕见病探索中生物标志物的效用：以遗传性血管性水肿为例）的详细技术总结：

1. 研究背景与问题 (Problem)

• 罕见病的诊断困境：罕见病（RDs）患者常面临漫长的“诊断奥德赛”（Diagnostic Odyssey），平均延误诊断超过 4 年。原因包括疾病种类繁多（>10,000 种）、表型特征重叠导致误诊，以及缺乏客观的生物标志物。
• 遗传性血管性水肿 (HAE) 的挑战：HAE 是一种由 SERPING1 基因缺陷引起的罕见病，特征是间歇性软组织肿胀（尤其是眼眶和口周）。由于缺乏客观指标来定义病情加重（Flare-ups），患者往往治疗延迟，面临生命危险风险，且病情监测依赖主观评估。
• 现有研究局限：罕见病临床试验通常样本量小、非随机化，且结局指标主观（依赖患者动机或评估者判断），难以建立可靠的临床终点。
• 核心问题：能否利用数字表型（Digital Phenotyping, DP）技术，特别是3D 面部成像，识别出可量化的数字生物标志物（Digital Biomarkers, DBMs），以辅助罕见病的诊断、监测病情波动及评估治疗依从性？

2. 研究方法 (Methodology)

本研究是一项在新加坡三家医院进行的多中心观察性研究，历时 4 年 8 个月。研究包含两个互补的部分：

A. 定量病例对照分析 (Quantitative Case-Control Analysis)

• 受试者：
  • 测试组：20 名具有中国遗传背景的罕见病患者（包括 5 名 HAE 患者和 15 名其他罕见病患者，如粘多糖贮积症、软骨发育不全、努南综合征等）。
  • 对照组：基于之前研究建立的、经过人口学匹配（年龄、性别、遗传背景）的中国遗传背景健康人群生长曲线数据（N=876 左右）。
• 数据采集：使用 Vectra M3 3D 相机 拍摄面部图像。
• 分析工具：使用 Cliniface 软件（基于人工智能）提取面部地标和测量数据。
• 统计方法：
  • 分析了 58 个基础测量值，生成 108 个测量变量。
  • 将测试组的 Z 分数与对照组回归模型进行对比。
  • 首先进行正态性检验，剔除不符合正态分布的变量（33 个被剔除）。
  • 对剩余 75 个变量进行双尾 t 检验。
  • 使用 Holm-Bonferroni 方法 进行多重比较校正，控制族系误差率（FWER）。

B. 定性纵向监测 (Qualitative Longitudinal Monitoring)

• 受试者：2 名 HAE 患者（1 名马来裔成年男性，1 名印度裔成年女性）。
• 流程：
  • 男性患者：在 687 天内拍摄 7 次，涵盖基线期、急性发作期（Flare）及恢复期。
  • 女性患者：间隔 261 天拍摄 2 次（急性发作后及基线期）。
• 分析：利用 Cliniface 进行 Procrustes 分析，可视化面部形状随时间的变化，重点观察不对称肿胀和体积变化。

3. 关键贡献 (Key Contributions)

• 验证了 3D 面部分析作为 DBM 的可行性：首次在新加坡人群中系统性地探索了 3D 面部成像在罕见病（特别是 HAE）中作为数字生物标志物的潜力。
• 提出了非侵入性监测新范式：展示了如何利用非侵入性的 3D 扫描结合 AI 分析，客观量化面部水肿（即使是亚临床或轻微发作），从而弥补传统主观评估的不足。
• 揭示了不对称性的重要性：研究发现，仅依赖对称地标（如眼角）可能遗漏关键信息，**面部不对称性（Asymmetry）**是 HAE 急性发作的重要特征。

4. 主要结果 (Results)

A. 定量结果

• 显著变量：在 75 个通过正态性检验的变量中，经过 FWER 校正后，仅 "外眦 - 鼻角" (Outer Canthal, Nasal Angle) 显示出统计学显著差异（P = 0.010）。
  • 该变量在测试组中的效应量（Z 分数）为 0.87，表明罕见病患者（包括 HAE）在缓解期仍可能存在细微的面部形态偏离。
• 潜在指标：尽管其他 10 个变量在校正后未达显著性，但其原始 P 值 < 0.05（如内眦距离、下唇高度、内眦不对称性等），提示这些指标可能有助于检测轻微水肿或面部特征改变，需更大样本验证。

B. 定性结果 (HAE 患者监测)

• 急性发作特征：
  • 男性患者：在急性发作期观察到不对称的眼眶周肿胀（右眼增加 >3mm），并在恢复期逐渐消退。即使在基线期（无自觉症状），部分肿胀也未完全消退，提示可能存在亚临床发作或依从性问题。
  • 女性患者：观察到左侧更明显的不对称眼眶肿胀、脸颊及下颌肿胀。
• 监测能力：3D 分析成功区分了“发作期”与“非发作期”状态，并能捕捉到治疗依从性差（如男性患者未按时服药）导致的轻微复发迹象。
• 不对称性价值：研究强调，HAE 发作常表现为不对称肿胀，仅关注对称性指标可能会漏诊。

5. 研究意义与局限性 (Significance & Limitations)

意义

• 缩短诊断奥德赛：通过识别独特的面部数字签名，可能加速罕见病的早期识别。
• 优化临床管理：为 HAE 等罕见病提供了客观的病情监测工具，有助于评估治疗反应、依从性及预测病情恶化，从而改善患者预后。
• 推动精准医疗：证明了将非侵入性信号（3D 图像）与机器学习结合，是罕见病精准医疗的可行路径。

局限性

• 样本量小：定量分析仅包含 20 名中国遗传背景患者，定性分析仅 2 名 HAE 患者。
• 人群多样性不足：主要集中在中国遗传背景，缺乏马来、印度及其他种族的大规模数据验证。
• 对照组差异：对照组主要为儿童，而测试组包含成人，可能存在年龄相关的混杂因素。
• 结论性质：目前结果属于探索性（Preliminary），需要更大规模、多中心、多族裔的研究来验证这些生物标志物的普适性。

总结

该研究初步证明了3D 面部分析结合 AI 可以作为罕见病（特别是 HAE）的有效数字生物标志物。虽然目前仅发现“外眦 - 鼻角”具有统计学显著性，但定性分析有力地展示了该技术捕捉不对称性水肿和亚临床发作的能力。这为未来建立基于数字表型的罕见病监测体系奠定了重要基础。