Análisis facial en acromegalia utilizando aprendizaje automático: hacia un diagnóstico más temprano

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en la salud
• Endocrinología

Sus antecedentes:

• La acromegalia es un trastorno raro y progresivo con rasgos faciales sutiles en evolución que conducen a un diagnóstico tardío.
• La detección temprana de la acromegalia es crucial para reducir la morbilidad y la mortalidad.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático (ML) para identificar las características faciales específicas de la acromegalia en las fotografías de prediagnóstico.
• Para permitir el diagnóstico precoz de la acromegalia a través de la detección facial impulsada por IA.

Principales métodos:

• Análisis de 489 fotografías faciales de pacientes con acromegalia y 254 de controles sanos.
• Una tubería de dos etapas que incluye la extracción de características profundas (VGG-Face) con clasificación SVM y un modelo de medición facial interpretable basado en puntos de referencia.
• Evaluación de modelos utilizando conjuntos de datos de imagen combinados antes y después del diagnóstico.

Principales resultados:

• El mejor rendimiento se logró utilizando imágenes previas al diagnóstico (7,47 años antes), obteniendo un AUC de 0,982 y una precisión del 91,5%.
• Las regiones faciales clave identificadas incluyen áreas maxilares, nasales y orbitales.
• Un modelo interpretable que utiliza las relaciones faciales mostró una precisión moderada (AUC 0,776), destacando características como la relación entre la anchura y la altura de la cara.

Conclusiones:

• El aprendizaje automático puede detectar rasgos faciales de acromegalia años antes del diagnóstico clínico.
• La combinación de aprendizaje profundo con enfoques de IA interpretables muestra una promesa para la detección temprana de la acromegalia.
• Las herramientas de detección facial basadas en IA podrían ayudar significativamente en la identificación temprana de la acromegalia.