Facial Expression Metrics as Digital Biomarkers of Neurologic Disease
Notice bibliographique
Résumé
Background and Objectives: Facial movements can be key indicators of neurological health and emotional state, offering insights into motor and neuropsychiatric functions that are disrupted in neurologic disorders. Neurological disease can present with characteristic differences in facial movements, like the masked facies of parkinsonism. Automated digital facial expression recognition could assist in asynchronous, remote and objective diagnostic processes. We hypothesized that facial movements relating to smiling, frowning, and blinking could be extracted from brief video-taped encounters in a clinic setting and used to (1) differentiate between neurologic diagnoses, and (2) identify people with symptoms of anxiety and depression. Methods: Using untargeted recruitment, individuals with multiple sclerosis (MS), other conditions (parkinsonism, frontotemporal dementia (FTD)), and healthy controls (HC) enrolled in an ongoing digital phenotyping study. Participant faces were video-recorded during a spontaneous language task. Videos were processed using OpenFace 2.2.0, an open-access digital tool pre-trained for facial landmark detection and facial action unit recognition. Participants with MS completed the General Anxiety Disorder-7 (GAD-7) and the Hospital Anxiety and Depression Scale (HADS-D). Results: Videos were analyzed for adults with MS (n=151, mean age 48, 72% female), parkinsonism (n=23, mean age 67, 35% female), FTD (n=14, mean age 68, 29% female), and HCs (n=33, mean age 55, 58% female). Sampling duration was 60-90 seconds; 91% videos passed quality control. Individuals with parkinsonism had decreased eye-blinking compared to all groups, and decreased smiling and increased brow-lowering compared to MS and HCs. Individuals with FTD had increased blinking relative to other groups. There were no significant differences between individuals with MS and HCs. Classification accuracy for partition analysis model was 88% (ROC-AUC 0.84 for parkinsonism). In individuals with MS, decreased variability in brow lowerering was seen with higher anxiety symptoms, and decreased cheek raising intensity was seen with higher depression symptoms. Interpretation: Digitally identified facial movements have face validity for recapitulating known clinical characteristics of neurological disease, as well as reflecting internal state relating to mood. This provides a foundation for expanded longitudinal validation of computer vision-based facial movement analysis in neurological research. However, findings should be interpreted in the context of sample size imbalance across diagnostic groups, which may have influenced classification performance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».