ابزار هوش مصنوعی FaceAge با تحلیل سلفی، سن زیستی بدن را تخمین زده و به پزشکان در پیش‌بینی خطر سرطان و تصمیم‌گیری بهتر درمانی کمک می‌کند. این مقاله کاربردها، چالش‌ها و آینده این فناوری را بررسی می‌کند.
پیش‌بینی خطر سرطان با سلفی: تحلیل چهره توسط هوش مصنوعی
ابزار هوش مصنوعی FaceAge چیست؟
FaceAge یک ابزار مبتنی بر هوش مصنوعی است که توسط تیمی از دانشمندان مرکز پزشکی «Mass General Brigham» طراحی شده است. این ابزار با استفاده از فناوری یادگیری عمیق (deep learning) می‌تواند تنها با تحلیل یک تصویر ساده از چهره، سرعت پیر شدن بدن را تخمین بزند.
به‌عبارتی، این سیستم قادر است با نگاه به سلفی یا تصویر سر و شانه فرد، عددی به‌عنوان سن زیستی (biological age) ارائه دهد؛ عددی که نشان می‌دهد بدن فرد چه‌قدر فرسوده شده، نه صرفاً چند سال دارد.
نحوه آموزش و آزمایش ابزار FaceAge
آموزش اولیه با تصاویر عمومی
این ابزار ابتدا با ۵۸٬۸۵۱ تصویر از افراد سالم که در پایگاه‌های تصویری عمومی ثبت شده بودند آموزش دید. این تصاویر از زندگی روزمره گرفته شده و شامل سن واقعی هر فرد بودند، بنابراین FaceAge یاد گرفت که نشانه‌های طبیعی پیری را از چهره‌ها تشخیص دهد.
آزمایش در محیط پزشکی
در مرحله بعد، ابزار بر روی بیش از ۶۰۰۰ بیمار که تازه وارد فرآیند پرتودرمانی (رادیوتراپی) شده بودند آزمایش شد. نتایج نشان داد که بیماران مبتلا به سرطان، به طور متوسط حدود پنج سال پیرتر از سن ثبت‌شده در شناسنامه‌شان به‌نظر می‌رسند. هر سالی که به این اختلاف افزوده می‌شود، با کاهش امید به زندگی همراه است.
از سلفی تا شاخص زیستی
FaceAge چه چیزی را تحلیل می‌کند؟
این ابزار بر اساس جزئیات دقیق چهره مانند:
- بافت پوست
- تون عضلات
- فرم چشم‌ها
الگویی می‌سازد که به کمک آن، سن زیستی فرد را تخمین می‌زند.
چرا سن زیستی مهم است؟
پزشکان همواره به‌طور غیررسمی از ظاهر بیمار برای تصمیم‌گیری درمانی استفاده می‌کرده‌اند. مثلاً چهره‌ای ضعیف‌تر ممکن است نشانگر لزوم استفاده از درمان‌های ملایم‌تر باشد. اما این قضاوت‌ها همواره ذهنی هستند. FaceAge می‌تواند این برداشت‌ها را به یک عدد عینی تبدیل کند.
پیش‌بینی خطر سرطان با هوش مصنوعی و سن چهره
نتایج مطالعات کلینیکی
مطالعه نشان داد بیمارانی که سن زیستی آن‌ها بالاتر از ۸۵ بود، حتی پس از در نظر گرفتن عواملی مانند سن واقعی، جنسیت و محل تومور، وضعیت بدتری داشتند. به گفته هوگو آرتز، مدیر برنامه «هوش مصنوعی در پزشکی»، این اطلاعات از نظر کلینیکی معنادار و قابل اتکا هستند.
کاربردهای بالینی در تصمیم‌گیری درمانی
اگر فردی سن زیستی کمتر از سن شناسنامه‌ای خود داشته باشد، معمولاً پس از درمان سرطان نتایج بهتری کسب می‌کند. این تفاوت در ظاهر با آنچه در بدن می‌گذرد، می‌تواند به تصمیم‌گیری دقیق‌تر پزشکان کمک کند.
FaceAge و پیش‌بینی بقای بیماران
مقایسه پیش‌بینی پزشکان و هوش مصنوعی
محققان از ده پزشک و دانشمند خواستند تا تصویر ۱۰۰ بیمار در حال دریافت پرتودرمانی تسکینی را مشاهده کرده و حدس بزنند کدام‌یک تا چند ماه آینده زنده خواهند ماند. حتی با اطلاع از سن و نوع سرطان، پیش‌بینی آن‌ها فقط اندکی بهتر از تصادف بود.
اما وقتی ابزار FaceAge وارد شد، دقت پیش‌بینی‌ها به‌طور چشمگیری افزایش یافت. این مسئله نشان می‌دهد که FaceAge سیگنال‌هایی پنهان را از چهره تشخیص می‌دهد که پزشکان از آن غافل هستند.
آموزش هوش مصنوعی برای تحلیل چهره پزشکی
پیوند تصویر بالینی با نتیجه درمان
تصاویر گرفته‌شده در زمان تنظیم درمان پرتویی، به پرونده‌های پزشکی بیماران متصل شد. با این کار، الگوریتم یاد گرفت که چگونه ظاهر چهره به بیماری و نتایج درمانی مربوط است.
محدودیت‌ها و چالش‌ها
- نمونه‌ها تنها از دو مرکز پزشکی بوده‌اند
- نورپردازی یا زاویه دوربین ممکن است بر نتیجه تأثیر بگذارد
- جراحی‌های زیبایی، آرایش غلیظ یا تفاوت‌های فرهنگی در مراقبت از پوست نیز می‌توانند مدل را گمراه کنند
FaceAge به‌عنوان سیستم تشخیص زودهنگام
گامی به سوی شناسایی زودتر بیماری‌ها
ری مک، یکی از نویسندگان ارشد این تحقیق معتقد است که این فناوری می‌تواند به سیستم‌های پیشرفته‌تری برای تشخیص زودهنگام بیماری‌ها منجر شود. از آنجا که بسیاری از بیماری‌های مزمن (مانند دیابت، آلزایمر و بیماری‌های قلبی) با افزایش سن مرتبط هستند، تشخیص مسیر پیری افراد اهمیت دوچندان می‌یابد.
ترکیب با تست‌های پزشکی دیگر
در آینده‌ای نه‌چندان دور، یک سلفی ساده می‌تواند مکمل آزمایش خون و اسکن‌های پزشکی باشد، و به پزشکان تصویری سریع‌تر و بی‌طرفانه‌تر از وضعیت جسمی بیمار ارائه دهد.
کاربرد FaceAge فراتر از درمان سرطان
استفاده از سن زیستی در پیشگیری از بیماری‌ها
پیری عامل مشترک بسیاری از بیماری‌هاست. ابزارهای مبتنی بر تصویر مانند FaceAge می‌توانند:
- افرادی را که به تغییر سبک زندگی نیاز دارند شناسایی کنند
- قبل از بروز علائم، پیشگیری را آغاز کنند
- به تخصص‌های مختلف در پزشکی کمک کنند
ضرورت نظارت اخلاقی و فنی
استفاده از چنین الگوریتم‌هایی نیاز به نظارت دقیق دارد. مدل‌هایی که با داده‌های محدود آموزش دیده‌اند ممکن است دچار سوگیری شوند. همچنین کسب رضایت آگاهانه بیماران برای استفاده از تصاویرشان در چنین الگوریتم‌هایی امری حیاتی است.
جمع‌بندی: یک سلفی، نگاهی به آینده سلامت
FaceAge نمونه‌ای از آن است که چگونه هوش مصنوعی می‌تواند از داده‌های ساده روزمره – مانند یک عکس سلفی – اطلاعات ارزشمندی برای مراقبت پزشکی تولید کند. اگر آزمایش‌های آینده نیز این نتایج را تأیید کنند، کلینیک‌ها می‌توانند با بارگذاری یک تصویر، به‌سرعت سن زیستی بیمار را دریافت کرده و درمان را بر اساس آن تنظیم کنند.
در نهایت، چهره‌ای که به دوربین نشان می‌دهیم شاید رازهایی درباره وضعیت سلامت و آینده بدن ما در خود نهفته داشته باشد.
این مطالعه در نشریه The Lancet Digital Health منتشر شده است.
