پژوهشگران آمریکایی ابزار جدیدی مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند تنها با بررسی یک عکس از صورت بیمار مبتلا به سرطان، اطلاعاتی درباره سن زیستی و احتمال بقای او ارائه دهد. این فناوری با هدف کمک به پزشکان برای ارزیابی دقیق‌تر وضعیت جسمانی بیماران و انتخاب روش‌های درمانی مناسب طراحی شده است.
نتایج این تحقیق در مجله علمی The Lancet Digital Health منتشر شده و نشان می‌دهد برخی ویژگی‌های ظاهری چهره می‌توانند با وضعیت سلامت و خطر مرگ بیماران سرطانی ارتباط آماری داشته باشند.
هوش مصنوعی چگونه از روی چهره احتمال بقای بیمار را پیش‌بینی می‌کند؟
محققان مؤسسه Mass General Brigham در آمریکا مدلی به نام FAHR-Face توسعه داده‌اند که با استفاده از فناوری بینایی ماشین، ویژگی‌های چهره انسان را تحلیل می‌کند.
این مدل پایه با بیش از ۴۰ میلیون تصویر چهره آموزش دیده است.
پژوهشگران سپس دو ابزار تخصصی براساس آن ساختند که هرکدام کاربرد متفاوتی دارند.
FAHR-FaceAge؛ تخمین سن زیستی از روی صورت
ابزار FAHR-FaceAge سن زیستی فرد را از روی تصویر چهره تخمین می‌زند.
سن زیستی مفهومی متفاوت از سن تقویمی است و تلاش می‌کند وضعیت فرسودگی و سلامت جسمانی فرد را منعکس کند.
برای مثال، دو فرد ۶۰ ساله ممکن است از نظر وضعیت جسمانی و نشانه‌های پیری تفاوت قابل‌توجهی داشته باشند.
محققان دریافتند بیمارانی که سن تخمینی چهره آن‌ها از سن واقعی‌شان بیشتر بود، به‌طور میانگین پیامدهای درمانی نامطلوب‌تری داشتند.
FAHR-FaceSurvival؛ پیش‌بینی مستقیم خطر مرگ
ابزار دوم با نام FAHR-FaceSurvival به‌جای تخمین سن زیستی، مستقیماً الگوهای مرتبط با بقای بیماران مبتلا به سرطان را بررسی می‌کند.
این سامانه با استفاده از تصاویر بیماران و داده‌های مربوط به پیامدهای درمانی آن‌ها آموزش دیده است.
هدف آن ارائه یک امتیاز خطر است که به پزشکان در شناسایی گروه‌های دارای احتمال بقای کمتر یا بیشتر کمک کند.
البته این امتیاز به معنای پیش‌بینی قطعی زمان مرگ یا سرنوشت یک بیمار مشخص نیست.
بررسی بیش از ۳۴ هزار تصویر بیماران سرطانی
برای توسعه ابزار پیش‌بینی بقا، پژوهشگران از ۳۴ هزار و ۳۶۳ تصویر بیماران مبتلا به سرطان استفاده کردند.
نتایج نشان داد میان امتیازهای بالاتر خطر و کاهش احتمال بقا ارتباط معناداری وجود دارد.
در یکی از تحلیل‌ها، بیماران گروه دارای بالاترین ۱۰ درصد امتیاز خطر، پیامدهای بسیار نامطلوب‌تری نسبت به گروه کم‌خطر داشتند.
به گزارش واشنگتن‌پست، حدود نیمی از افراد گروه بسیار پرخطر طی ۹۰ روز جان باختند؛ درحالی‌که این رقم در گروه کم‌خطر حدود ۲ درصد بود.
این اعداد مربوط به گروه‌های بررسی‌شده در پژوهش هستند و نباید به‌عنوان احتمال مرگ هر بیمار جدید تفسیر شوند.
هوش مصنوعی کدام بخش‌های صورت را بررسی می‌کند؟
یکی از بخش‌های جالب تحقیق، بررسی نواحی صورت است که بیشترین تأثیر را بر خروجی مدل‌ها دارند.
محققان متوجه شدند دو ابزار هوش مصنوعی به بخش‌های متفاوتی از چهره توجه می‌کنند.
مدل FAHR-FaceAge بیشتر به چین‌های اطراف بینی و دهان، پیشانی و شقیقه‌ها توجه دارد.
در مقابل، FAHR-FaceSurvival عمدتاً نواحی زیر چشم و اطراف پل بینی را بررسی می‌کند.
پژوهشگران هنوز دقیقاً نمی‌دانند مدل چه نشانه‌های فیزیولوژیکی را در این بخش‌ها شناسایی می‌کند.
ممکن است برخی تغییرات ظاهری مرتبط با تحلیل عضلات، کاهش بافت نرم یا ضعف جسمانی در این پیش‌بینی‌ها نقش داشته باشند؛ اما این توضیحات هنوز در حد فرضیه هستند.
ارتباط سیگار و سبک زندگی با سن زیستی چهره
پژوهش جدید همچنین ارتباط برخی عادت‌های زندگی با نشانه‌های پیری صورت را بررسی کرده است.
نتایج نشان می‌دهد مصرف سیگار با بالاتر دیده‌شدن سن زیستی ارتباط دارد.
در داده‌های بررسی‌شده، افراد سیگاری معمولاً از کسانی که سیگار را ترک کرده بودند مسن‌تر به نظر می‌رسیدند و افراد غیرسیگاری کمترین نشانه‌های پیری زودرس را داشتند.
مصرف زیاد الکل و مواد مخدر نیز با افزایش سن تخمینی چهره ارتباط آماری نشان داد.
بااین‌حال، مشاهده چنین ارتباط‌هایی به‌تنهایی رابطه علت و معلولی را ثابت نمی‌کند.
آیا هوش مصنوعی می‌تواند جای پزشک را بگیرد؟
پژوهشگران تأکید می‌کنند هدف این فناوری جایگزینی پزشکان نیست.
درمان سرطان به عواملی مانند نوع و مرحله بیماری، وضعیت عمومی بیمار، نتایج آزمایش‌ها و پاسخ به درمان بستگی دارد.
تحلیل تصویر چهره در آینده ممکن است به‌عنوان یک شاخص کمکی در کنار این اطلاعات استفاده شود.
برای نمونه، پزشکان هنگام تصمیم‌گیری درباره جراحی، پرتودرمانی یا درمان‌های سنگین می‌توانند از ارزیابی وضعیت جسمانی بیمار کمک بگیرند.
بااین‌حال، هنوز مشخص نیست افزودن امتیاز این مدل به روش‌های فعلی ارزیابی، تا چه اندازه تصمیم‌گیری پزشکی و نتایج درمان را بهبود می‌دهد.
محدودیت‌ها و نگرانی‌های فناوری تشخیص چهره پزشکی
با وجود نتایج امیدوارکننده، این فناوری هنوز آماده استفاده معمول در بیمارستان‌ها نیست.
یکی از محدودیت‌های مهم، نیاز به اعتبارسنجی گسترده‌تر روی بیماران با شرایط و پیشینه‌های جمعیتی متفاوت است.
کارشناسان همچنین درباره احتمال سوگیری الگوریتمی هشدار داده‌اند؛ زیرا مدل‌هایی که از تصاویر چهره استفاده می‌کنند ممکن است ناخواسته تفاوت‌های جمعیتی یا نابرابری‌های موجود در داده‌های درمانی را بازتاب دهند.
حریم خصوصی تصاویر بیماران و نحوه نگهداری داده‌های چهره نیز از مسائل مهم در استفاده احتمالی از چنین ابزارهایی خواهد بود.
علاوه‌براین، باید مشخص شود که مدل واقعاً اطلاعات جدیدی فراتر از ارزیابی بالینی پزشکان ارائه می‌دهد یا خیر.
آینده پیش‌بینی سرطان با تحلیل چهره
محققان امیدوارند در آینده بتوان از عکس‌های معمولی برای استخراج شاخص‌های بیشتری درباره وضعیت سلامت استفاده کرد.
هزینه پایین تصویربرداری و امکان ثبت آسان تصاویر از مزایای احتمالی این روش هستند.
بااین‌حال، تبدیل یک ابزار پژوهشی به فناوری قابل‌اعتماد پزشکی نیازمند آزمایش‌های آینده‌نگر، اعتبارسنجی مستقل و بررسی تأثیر واقعی آن بر مراقبت از بیماران است.
پژوهش FAHR-Face نشان می‌دهد هوش مصنوعی می‌تواند اطلاعات آماری مرتبط با وضعیت جسمانی بیماران سرطانی را از تصاویر چهره استخراج کند؛ اما این فناوری هنوز قادر نیست با قطعیت مشخص کند یک فرد چه مدت زنده خواهد ماند.
دیدگاه‌ها