基于ARKit面部特征追踪的帕金森病面部表情减少自动化评估与诊断

《npj Parkinson's Disease》：Interaction- and asymmetry-aware facial blendshape analysis for objective quantification of Parkinsonian hypomimia

　　面部表情减少（Hypomimia）是帕金森病（PD）早期的运动特征，但其评估仍依赖于主观且粒度较粗的临床量表。我们利用ExpressionTracker——一款基于Apple ARKit框架构建的消费级应用程序——在标准化的提示表情任务中，对34名帕金森病患者和36名健康对照组（HC）提取了261个面部表情特征。除预期的运动幅度降低外，帕金森病的特征还包括面部不对称性增加以及同侧口部和眼部区域活动减弱。交互特征和不对称特征在组间差异中较为突出，能解释临床医生评定的面部表情减少方差的38%至42%。在嵌套交叉验证下的诊断分类（PD vs. HC）中，最佳模型（梯度提升机，GBM）达到了0.834的受试者工作特征曲线下面积（AUC）（95% CI 0.733至0.923），其次是XGBoost（0.810，95% CI 0.702至0.906）和轻量梯度提升机（LightGBM；0.804，95% CI 0.697至0.899）。经过工程化处理的ARKit特征优于仅幅度的基线模型（最大AUC为0.75，95% CI 0.63至0.86）和仅使用年龄和性别的 demographics 混淆基线（最大AUC为0.68，95% CI 0.55至0.80）。这些结果表明，自动化面部表情混合形状分析能够捕捉到超出单纯幅度降低的多维度运动功能障碍，使ExpressionTracker成为社区筛查、疾病监测以及未来临床试验中药物疗效评估的潜在数字生物标志物。