محققان آمریکایی هوش مصنوعی ساخته‌اند که با تحلیل عکس چهره، سن زیستی و احتمال خطر مرگ بیماران سرطانی را پیش‌بینی می‌کند، اما هنوز آماده نیست.
فهرست مطالب
پژوهشگران آمریکایی مدل جدیدی از هوش مصنوعی توسعه داده‌اند که می‌تواند با تحلیل یک عکس ساده از چهره، احتمال بقای بیماران سرطانی و خطر مرگ آنها را پیش‌بینی کند.
به گزارش سرویس هوش مصنوعی تک‌ناک، محققان مجموعه پزشکی Mass General Brigham این روش جدید را برای ارزیابی وضعیت سلامت بیماران سرطانی ارائه کرده‌اند. این فناوری می‌تواند بدون نیاز به تصویربرداری تخصصی، اطلاعاتی درباره سن زیستی و احتمال بقای بیماران در اختیار پزشکان قرار دهد.
نتایج این پژوهش در مجله علمی The Lancet Digital Health منتشر شده است. محققان در این مطالعه دو الگوریتم به نام‌های FAHR-FaceAge و FAHR-FaceSurvival را معرفی کرده‌اند که هرکدام وظیفه متفاوتی دارند.
الگوریتم نخست، سن زیستی افراد را براساس ویژگی‌های ظاهری چهره تخمین می‌زند. سن زیستی نشان‌دهنده وضعیت جسمانی و میزان فرسودگی بدن است و ممکن است با سن واقعی فرد تفاوت داشته باشد. الگوریتم دوم مستقیما تصاویر چهره را مورد بررسی قرار می‌دهد و براساس الگوهای شناسایی‌شده، احتمال بقای بیماران سرطانی را پیش‌بینی می‌کند.
نتایج آزمایش‌ها نشان داد که FAHR-FaceAge می‌تواند سن زیستی افراد را با حاشیه خطای حدود پنج سال تخمین بزند. پژوهشگران معتقد هستند این میزان دقت از سایر ابزارهای موجود بیشتر است. همچنین اختلاف میان سن زیستی تخمین‌زده‌شده و سن تقویمی بیماران، ارتباط مستقلی با احتمال بقای آنها دارد.
هوگو آئرتس، یکی از نویسندگان ارشد پژوهش و مدیر برنامه هوش مصنوعی در پزشکی در مجموعه Mass General Brigham اعلام کرد که تا جایی که محققان اطلاع دارند، این نخستین بار است که یک مدل هوش مصنوعی می‌تواند احتمال بقای بیماران سرطانی را مستقیماً از روی یک عکس ساده پیش‌بینی کند.
چگونه خطر مرگ بیماران سرطانی را پیش‌بینی می‌کند؟
محققان دریافتند که دو الگوریتم توسعه‌یافته برای پیش‌بینی سن زیستی و احتمال بقای بیماران، بخش‌های متفاوتی از صورت را بررسی می‌کنند. الگوریتم FAHR-FaceAge بیشتر بر چین‌های اطراف بینی و دهان، ناحیه پیشانی بالای حدقه چشم‌ها و شقیقه‌ها تمرکز دارد.
در مقابل، الگوریتم FAHR-FaceSurvival نواحی زیر چشم‌ها و اطراف پل بینی را ارزیابی می‌کند. این الگوریتم برخلاف روش‌های مبتنی بر سن زیستی، تلاش می‌کند ارتباط میان ویژگی‌های چهره و احتمال بقای بیمار را مستقیما شناسایی کند.
پژوهشگران برای آموزش این مدل‌ها از بیش از ۴۰ میلیون تصویر چهره بدون برچسب استفاده کردند. تصاویر مذکور از مجموعه داده WebFace42M انتخاب شدند که پژوهشگران دانشگاه تسینگ‌هوا، امپریال کالج لندن و شرکت XForwardAI آن را توسعه داده‌اند.
این مجموعه داده شامل تصاویر افرادی از گروه‌های سنی و قومیتی مختلف است. محققان پس از آموزش الگوریتم‌ها، عملکرد آنها را با استفاده از اطلاعات نزدیک به پنج هزار بیمار مبتلا به سرطان که در هلند تحت پرتودرمانی قرار گرفته بودند، اعتبارسنجی کردند.
یکی از ویژگی‌های مهم این فناوری، استفاده از عکس‌های معمولی چهره به‌جای تصاویر پزشکی تخصصی است. به گفته نویسندگان پژوهش، این قابلیت می‌تواند استفاده از ابزارهای هوش مصنوعی را در مراکز درمانی آسان‌تر کند و دامنه کاربرد آنها را گسترش دهد.
ریموند مک، متخصص پرتودرمانی سرطان و نویسنده مسئول پژوهش، توضیح داد که با افزایش سن جمعیت، پزشکان به روش‌های دقیق‌تری برای ارزیابی توان جسمانی و میزان ضعف بیماران نیاز دارند. چنین ارزیابی‌هایی پیش از تجویز درمان‌های سنگین مانند: جراحی، پرتودرمانی یا درمان‌های دارویی سیستمیک اهمیت دارند.
او تأکید کرد که هدف این فناوری، کمک به تصمیم‌گیری درباره درمان‌های شخصی‌سازی‌شده است و قرار نیست جایگزین تشخیص و قضاوت پزشکان شود.
تردید کارشناسان درباره کاربرد پزشکی این فناوری
تیم تحقیقاتی برای گسترش پژوهش خود، طرحی با عنوان FaceAge Research Study راه‌اندازی کرده است. علاقه‌مندان می‌توانند از طریق وب‌سایت faceage.bwh.harvard.edu عکس چهره خود را بارگذاری کنند و نتیجه پژوهشی ارزیابی سن زیستی را دریافت نمایند.
همچنین اطلاعات ارائه‌شده توسط شرکت‌کنندگان به محققان کمک می‌کند عملکرد الگوریتم‌ها را در جمعیت‌های بزرگ‌تر و متنوع‌تر بررسی کنند و دقت ابزارهای مبتنی بر هوش مصنوعی را برای ارزیابی پیری و سلامت بهبود دهند.
با وجود نتایج امیدوارکننده، برخی کارشناسان درباره آمادگی این فناوری برای استفاده پزشکی تردید دارند. میروسلاو بوبر، استاد دانشگاه ساری بریتانیا و متخصص تصویربرداری و هوش مصنوعی، این پژوهش را مهم و قابل توجه توصیف کرد.
او معتقد است نتایج مطالعه نشان می‌دهد الگوریتم‌ها می‌توانند بیماران را براساس میزان خطر دسته‌بندی کنند، اما هنوز مشخص نیست که این فناوری اطلاعاتی فراتر از ارزیابی‌های معمول پزشکان ارائه می‌دهد یا خیر.
به گفته بوبر، محققان در این مطالعه ارزیابی پزشکان از سلامت عمومی و آمادگی جسمانی بیماران را اندازه‌گیری نکرده‌اند. بنابراین هنوز نمی‌توان تعیین کرد که پیش‌بینی‌های هوش مصنوعی تا چه اندازه به تصمیم‌گیری بالینی کمک می‌کنند.
این متخصص تأکید کرد که فناوری معرفی‌شده نمونه‌ای امیدوارکننده برای اثبات امکان‌پذیری ایده تحلیل چهره است، اما هنوز برای استفاده در محیط‌های درمانی آماده نیست. نتایج پژوهش نیز ضرورت انجام مطالعات تکمیلی را برای بررسی ارزش بالینی این ابزار نشان می‌دهد.