هوش مصنوعی از روی چهره، خطر مرگ بیماران سرطانی را برآورد می‌کند
خلاصه خبر
پژوهشگران مرکز پزشکی مس جنرال بریگم در آمریکا، دو ابزار هوش مصنوعی برای برآورد سن زیستی و پیش‌بینی خطر مرگ بیماران سرطانی توسعه داده‌اند.
مدل پایه این سامانه با بیش از ۴۰ میلیون تصویر چهره آموزش دیده و ابزار پیش‌بینی بقا با تصاویر ۳۴ هزار و ۳۶۳ بیمار مبتلا به سرطان توسعه یافته است.
در ارزیابی پژوهش، خطر مرگ در گروه دارای بالاترین امتیاز خطر بیش از سه برابر گروه دارای پایین‌ترین امتیاز بود.
پژوهشگران می‌گویند این فناوری می‌تواند در آینده به ارزیابی وضعیت بیماران کمک کند، اما هنوز جایگزین تشخیص پزشک نیست.
یک پژوهش تازه نشان می‌دهد هوش مصنوعی می‌تواند از یک عکس ساده چهره، نشانه‌هایی مرتبط با وضعیت سلامت و احتمال بقای بیماران مبتلا به سرطان استخراج کند. با این حال، این یافته به معنای امکان تعیین قطعی طول عمر افراد از روی ظاهر نیست و کاربرد بالینی این فناوری به بررسی‌های بیشتر نیاز دارد.
دو ابزار برای ارزیابی سلامت از روی تصویر
این پژوهش در ۱۹ اکتبر ۲۰۲۶ در نشریه علمی «لنست دیجیتال هلث» منتشر شد. پژوهشگران با استفاده از یک مدل پایه به نام «فِیر فیس» (FAHR-Face)، دو ابزار تخصصی ساختند: «فِیر فیس‌ایج» (FAHR-FaceAge) برای تخمین سن زیستی و «فِیر فیس‌سوروایول» (FAHR-FaceSurvival) برای پیش‌بینی خطر مرگ در بیماران سرطانی.
سن زیستی، برخلاف سن شناسنامه‌ای، برآوردی از وضعیت جسمی و نشانه‌های پیری بدن است. ابزار نخست این سامانه، سن زیستی را از روی چهره تخمین می‌زند؛ ابزار دوم مستقیماً الگوهای مرتبط با بقای بیماران را بررسی می‌کند.
برای توسعه مدل پیش‌بینی بقا، پژوهشگران از تصاویر ۳۴ هزار و ۳۶۳ بیمار مبتلا به سرطان استفاده کردند. سپس عملکرد ابزارها را در دو مجموعه مستقل از بیماران ارزیابی کردند تا مشخص شود نتایج به داده‌های اولیه محدود نمی‌ماند.
تفاوت بیش از سه‌برابری در خطر مرگ
بر اساس نتایج مطالعه، بیمارانی که در بالاترین چارک امتیاز خطر قرار گرفتند، بیش از سه برابر گروه حاضر در پایین‌ترین چارک با خطر مرگ روبه‌رو بودند. این ارتباط پس از تعدیل برخی عوامل بالینی نیز مشاهده شد. پژوهشگران همچنین دریافتند که ترکیب برآورد سن زیستی با مدل پیش‌بینی بقا، عملکرد پیش‌بینی را بهبود می‌دهد.
این ارقام بیانگر تفاوت آماری میان گروه‌های مطالعه‌اند، نه پیش‌بینی قطعی سرنوشت یک بیمار. این پژوهش نیز نشان نداده است که استفاده از چنین ابزاری به‌تنهایی باعث افزایش طول عمر یا بهبود نتایج درمان می‌شود.
هوش مصنوعی روی کدام بخش‌های چهره تمرکز می‌کند؟
نقشه‌های حرارتی این پژوهش نشان می‌دهند دو ابزار، بخش‌های متفاوتی از چهره را برای ارزیابی انتخاب می‌کنند:
برآورد خطر مرگ: ناحیه زیر چشم‌ها و اطراف پل بینی بیشترین نقش را در پیش‌بینی‌های مدل فیس‌سوروایول داشت.
برآورد سن زیستی: چین‌های میان بینی و دهان، پیشانی و ناحیه شقیقه‌ها از بخش‌های مهم برای مدل فیس‌ایج بودند.
با این حال، هنوز مشخص نیست کدام ویژگی‌های زیستی یا نشانه‌های بیماری در این نواحی مبنای پیش‌بینی الگوریتم قرار می‌گیرند. بنابراین، نمی‌توان از روی یک ویژگی ظاهری مشخص درباره شدت سرطان یا طول عمر فرد نتیجه‌گیری کرد.
چرا این فناوری هنوز آماده استفاده در بیمارستان‌ها نیست؟
ریموند مک، متخصص پرتودرمانی سرطان در مرکز پزشکی مس جنرال بریگم و از پژوهشگران این مطالعه، می‌گوید هدف از توسعه این ابزارها کمک به پزشکان برای ارزیابی وضعیت جسمی و آسیب‌پذیری بیماران پیش از درمان‌هایی مانند جراحی، پرتودرمانی و درمان‌های دارویی است.
با این حال، کارشناسان مستقل پرسش‌هایی درباره ارزش افزوده این ابزارها مطرح کرده‌اند؛ از جمله اینکه آیا تحلیل چهره می‌تواند در کنار اطلاعات معمول پزشکی، پیش‌بینی پزشکان را دقیق‌تر کند یا خیر. همچنین باید عملکرد سامانه در جمعیت‌های متنوع‌تر و احتمال سوگیری ناشی از تفاوت‌های جمعیتی بررسی شود.
این مطالعه یک پژوهش توسعه و اعتبارسنجی مدل است، نه کارآزمایی بالینی برای اثبات اثربخشی درمان. در نتیجه، هنوز نمی‌توان گفت استفاده از این فناوری تصمیم‌های درمانی را بهتر می‌کند یا پیامدهای بیماری را تغییر می‌دهد.
اطلاعات بیشتر
در بخش دیگری از پژوهش، سیگارکشیدن بیشترین ارتباط را با پیرتر به نظر رسیدن چهره داشت؛ مصرف زیاد الکل و مواد مخدر نیز با سن زیستی بالاتر برآوردشده ارتباط نشان دادند. این یافته‌ها به‌تنهایی رابطه علت‌ومعلولی را ثابت نمی‌کنند و ظاهر چهره نیز جایگزین معاینه، آزمایش‌های پزشکی یا ارزیابی تخصصی سرطان نیست.
لینکهای مرتبط
دستگاهی جدید بازگشت دوباره سرطان پستان را پیش‌بینی می‌کند
