Valoración clínica de la parálisis facial mediante aprendizaje profundo

Abstract

La parálisis facial (PF) es una alteración neuromuscular provocada por una lesión del VII par craneal, el nervio facial, que afecta el movimiento de los músculos del rostro, la secreción de lágrimas y saliva, y el sentido del gusto. La evaluación del grado de afectación es esencial para establecer un tratamiento adecuado, y suele realizarse mediante escalas clínicas como HouseBrackman o Sunnybrook. No obstante, estas herramientas dependen de la interpretación subjetiva del profesional, lo que puede ocasionar diagnósticos inconsistentes. En los últimos años, se han desarrollado herramientas automáticas basadas en inteligencia artificial (IA) y aprendizaje profundo para realizar esta evaluación de forma más objetiva. Muchos de estos sistemas utilizan tecnología de reconocimiento facial en tres dimensiones (3D), implementada en dispositivos móviles como el iPhone a través de su sistema de cámaras TrueDepth. Esta tecnología permite analizar la asimetría facial con gran precisión y da como resultado un porcentaje de afectación, como ocurre en la aplicación FacialPalsyZero. Sin embargo, estas aplicaciones presentan importantes limitaciones como el requerimiento de un hardware específico y la falta de traducción de resultados a escalas médicas estándar. Por ello, en este estudio se ha desarrollado un sistema de evaluación basado en aprendizaje profundo que funcione con cámaras estándar presentes en la mayoría de los dispositivos. Para el desarrollo del sistema, se implementó una interfaz gráfica para la selección del vídeo y de los fragmentos del vídeo que se pretenden analizar. Tras esta selección se colocan de manera automática puntos anatómicos faciales mediante el modelo de MediaPipe y posteriormente se calculan distancias entre algunos de estos puntos que se cuantifican en forma de porcentajes. Estos porcentajes se compararon con valoraciones clínicas reales para establecer una relación entre los porcentajes y los grados de la escala de House-Brackmann. A partir de esta relación, se ajustó una ecuación que permite al sistema estimar el grado de severidad. Los resultados obtenidos mostraron que el modelo desarrollado permite la estimación del grado de afectación según la escala House-Brackmann a partir de medidas de asimetría calculadas en imágenes 2D. Para el entrenamiento del modelo se utilizaron las valoraciones consensuadas de los especialistas para mejorar la coherencia de los diagnósticos y se obtuvo un error cuadrático medio (MSE) de 1.4587. Se comprobó que los casos en los que hay mayor diferencia entre la etiqueta real y la estimada coinciden con los vídeos en los que no se capturaron todas las acciones requeridas. Estos resultados destacan la utilidad del sistema como herramienta de apoyo para el diagnóstico siempre y cuando se siga el protocolo de adquisición de los vídeos. A pesar de que el sistema no ha podido ser validado en nuevos pacientes debido a la escasez de datos, los resultados en esta fase inicial son prometedores y sientan una buena base para su futura aplicación clínica.