چگونه با گرفتن یک سلفی بفهمیم بر سرطان غلبه می‌کنیم یا نه؛ هوش مصنوعی به کمک علم پزشکی آمد

این سامانه هوش مصنوعی را متخصصان ماساچوست جنرال بریگام، یک سامانه مراقبت‌های بهداشتی دانشگاهی یکپارچه غیرانتفاعی در ماساچوست، به صورت سفارشی ساخته‌اند تا سن بیولوژیکی را تخمین بزنند و مستقیماً نتایج بقا را در بیماران مبتلا به سرطان پیش‌بینی کنند. این یکی از جامع‌ترین نمونه‌هایی است که تا به امروز نشان می‌دهد چگونه تجزیه و تحلیل هوش مصنوعی از یک سلفی می‌تواند به ارزیابی سلامت بیمار کمک و بالقوه مراقبت‌های پزشکی او را هدایت کند و بر اساس داده‌های بیش از 40 میلیون عکس صورت در طیف وسیعی از قومیت‌ها و سنین آموزش دیده است.

جزئیات این موفقیت در مجله Lancet Digital Health منتشر شد. بر اساس نتایج مطالعه‌ای که این مدل را بررسی کرده، این سامانه می‌تواند سن بیولوژیکی فرد - سنی که فرد به نظر می‌رسد، نه سن واقعی و تقویمی او - را تخمین بزند و شانس زنده ماندن بیماران سرطانی را از روی یک عکس معمولی از چهره آنها پیش‌بینی کند.

پزشکان از این فناوری برای توسعه دو ابزار مکمل استفاده کردند. FAHR-FaceAge سن بیولوژیکی بیمار را تخمین می‌زند و بقای سرطان را پیش‌بینی می‌کند.

FAHR-FaceSurvival به جای استنباط بقا از طریق سن بیولوژیکی، بقا را مستقیماً از روی عکس صورت پیش‌بینی می‌کند. گرچه FAHR-FaceAge و FAHR-FaceSurvival از یک مدل مشابه گرفته شده‌اند، اما اطلاعات متفاوت و مکملی در مورد سلامت بیمار به دست آورده‌اند.

هر الگوریتم همچنین برای پیش‌بینی‌های مربوط به سن و خطر مرگ و میر، به قسمت‌های متمایزی از صورت متکی است. FAHR-FaceAge بر روی چین‌هایی که از کناره‌های بینی تا گوشه‌های دهان، ناحیه پیشانی درست بالای حدقه چشم و شقیقه‌ها امتداد دارند، تمرکز می‌کند.

در همین حال، FAHR-FaceSurvival ناحیه زیر چشم‌ها و اطراف پل بینی را ارزیابی می‌کند. هوگو آرتس، یکی از نویسندگان ارشد این مطالعه، گفت: «FAHR-FaceSurvival با یادگیری خطر بقا مستقیماً از عکس‌های صورت بیماران مبتلا به سرطان، حوزه هوش مصنوعی تشخیص سلامت چهره را یک گام به جلو می‌برد.

تا آنجا که ما می‌دانیم، این اولین نمونه‌ای است که یک مدل هوش مصنوعی می‌تواند مستقیماً بقای سرطان را از یک عکس ساده پیش‌بینی کند.» در میان بیماران سرطانی که در ایالات متحده تحت درمان با پرتودرمانی قرار گرفته‌اند، افرادی که طبق FAHR-FaceAge، پنج سال یا بیشتر از سن واقعی خود پیرتر به نظر می‌رسیدند، در طول پیگیری متوسط چهار ساله، ۲۱٪ بیش از بقیه گروه در معرض خطر مرگ بودند. بیمارانی که پنج سال یا بیشتر جوان‌تر به نظر می‌رسیدند، ۱۷٪ کمتر در معرض خطر بودند.

آرتس گفت: «پیشرفت فنی کلیدی این است که FAHR-Face یک نمایش کلی از چهره را از بیش از ۴۰ میلیون تصویر یاد می‌گیرد که سپس می‌تواند با پیامدهای سلامتی متمایز مانند سن بیولوژیکی و بقا تطبیق داده شود. این رویکرد مبتنی بر مدل بنیادی، به جای آموزش هر مدل از ابتدا، راهی مقیاس‌پذیر برای توسعه چندین نشانگر زیستی سلامت صورت به ما می‌دهد.» نتایج این مطالعه نشان می‌دهد که تخمین سن بیولوژیکی افراد ارتباط نزدیکی با سلامت جسمی آنها دارد که می‌تواند نشان‌دهنده توانایی آنها برای زنده ماندن در درمان‌های خاص باشد.

این موفقیت می‌تواند راه را برای تجزیه و تحلیل چهره با هوش مصنوعی هموار کند تا به پزشکان در تصمیم‌گیری‌های دشوار در مورد بهترین راه پیش رو از نظر درمان بیمارانشان کمک کند. این ابزار می‌تواند به پیش‌بینی بهتر خطر مرگ یا عوارض پس از جراحی‌های بزرگ یا سایر درمان‌های سرطان کمک کند.

دکتر ریموند مک، متخصص انکولوژی پرتودرمانی در بیمارستان عمومی ماساچوست بریگام، گفت: «با افزایش سن جمعیت، پزشکان قبل از توصیه درمان‌های فشرده مانند پرتودرمانی، جراحی یا درمان سیستمیک، به روش‌های بهتری برای تخمین ذخیره فیزیکی و ضعف نیاز دارند.» محققان دریافتند که عوامل سبک زندگی با پیری صورت مرتبطند. برای مثال، مصرف زیاد الکل، مواد مخدر و سیگار کشیدن با پیرتر به نظر رسیدن از نظر بیولوژیکی در تجزیه و تحلیل هوش مصنوعی عکس‌های صورت مرتبط بودند.

یکی دیگر از یافته‌های شگفت‌انگیز این بود که FAHR-FaceAge چقدر در تغییرات رایج عکس در دنیای واقعی، از جمله ژست، نورپردازی، حالت چهره و آرایش، ثابت بود. پزشکان هشدار دادند که گرچه عکس‌های تکی صورت می‌توانند راهی آسان و کم‌هزینه برای پشتیبانی از تصمیم‌های درمانی شخصی ارائه دهند، اما قبل از استفاده گسترده از این ابزار، تحقیقات بیشتری لازم است.