Refining nosology by modelling variation among facial phenotypes: the RASopathies
Notice bibliographique
Résumé
BACKGROUND: In clinical genetics, establishing an accurate nosology requires analysis of variations in both aetiology and the resulting phenotypes. At the phenotypic level, recognising typical facial gestalts has long supported clinical and molecular diagnosis; however, the objective analysis of facial phenotypic variation remains underdeveloped. In this work, we propose exploratory strategies for assessing facial phenotypic variation within and among clinical and molecular disease entities and deploy these techniques on cross-sectional samples of four RASopathies: Costello syndrome (CS), Noonan syndrome (NS), cardiofaciocutaneous syndrome (CFC) and neurofibromatosis type 1 (NF1). METHODS: From three-dimensional dense surface scans, we model the typical phenotypes of the four RASopathies as average 'facial signatures' and assess individual variation in terms of direction (what parts of the face are affected and in what ways) and severity of the facial effects. We also derive a metric of phenotypic agreement between the syndromes and a metric of differences in severity along similar phenotypes. RESULTS: CFC shows a relatively consistent facial phenotype in terms of both direction and severity that is similar to CS and NS, consistent with the known difficulty in discriminating CFC from NS based on the face. CS shows a consistent directional phenotype that varies in severity. Although NF1 is highly variable, on average, it shows a similar phenotype to CS. CONCLUSIONS: We established an approach that can be used in the future to quantify variations in facial phenotypes between and within clinical and molecular diagnoses to objectively define and support clinical nosologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».