Objektivizace hodnocení faciokineze

Abstract

Hodnocení faciokinézy poskytuje vhled do míry poškození odpovídajících oblastí mozku u některých onemocnění, podobně jako hodnocení dysartrie, které se zaměřuje na poruchy motorického řízení řečových svalů. Ačkoli existují spolehlivé klinické testy, jejich provedení vyžaduje odborný dohled. Navzdory pokroku v analýze mimiky na základě videozáznamů zůstává automatizované kvantitativní hodnocení faciokinézy omezené. Cílem této práce je vytvořit nástroj schopný objektivně hodnotit faciokinézu. Test 3F, používaný v České republice, je klinický nástroj pro hodnocení dysartrie, který zahrnuje i subtest faciokinézy. Použitá databáze obsahuje videozáznamy 99 pacientů s Parkinsonovou nemocí a 50 zdravých kontrol provádějících Test 3F. Z video segmentů byly pomocí MediaPipe FaceMesh extrahovány obličejové referenční body, ze kterých byly následně odvozeny příznaky pro trénink regresních modelů XGBoost. Statistické analýzy, včetně Spearmanovy korelace, zkoumaly vztahy mezi biomarkery a skóre s ohledem na možné zkreslující faktory, jako je věk, pohlaví a medikace. Vybudovaný pipeline dosáhl MAE až 0,205 a RMSE 0,301 při predikci jednotlivých úloh, a MAE 2,249 a RMSE 3,002 při predikci celkového skóre faciokinézy. Analýza pomocí SHAP poskytla vhled do rozhodování modelu, které dobře korespondovalo s klinickými vzorci, jako je omezený nebo asymetrický pohyb obličeje. Výsledky poukazují na potenciál těchto modelů jako podpory klinické diagnostiky, přesto však omezení v diverzitě a množství dat snižují jejich zobecnitelnost.

Assessing faciokinesis offers insight into the extent of damage to corresponding brain areas in certain disorders, much like dysarthria assessment, which evaluates impaired speech-related motor control. While reliable clinical tests exist, they require professional supervision. Despite progress in video-based facial movement analysis, automated quantification of faciokinesis remains limited. The goal of this work is to create a tool capable of objectively assessing faciokinesis. Test 3F used in the Czech Republic, is a dysarthria assessment tool, including a Faciokinesis subtest. The database used consists of video recordings of 99 individuals with PD and 50 healthy controls performing Test 3F. Facial landmarks were extracted from video segments using MediaPipe FaceMesh, and relevant features were derived to train XGBoost regression models. Statistical analyses, including Spearman’s rank correlation, examine biomarker-score relationships while accounting for confounders like age, sex, and medication. The constructed pipeline was able to achieve an MAE of up to 0.205 and an RMSE of 0.301 in predicting the scores of individual tasks, and 2.249 MAE and 3.002 RMSE for the total Faciokinesis score prediction. SHAP analysis provided insight into model decisions, aligning well with clinical patterns such as reduced or asymmetric facial movements. The results highlight the potential of such models in supporting clinical diagnostics, though limitations in data diversity and quantity restrict generalizability.