پژوهشگران با توسعه سامانه هوش مصنوعی FAHR-Face نشان داده‌اند که یک عکس معمولی از چهره ممکن است اطلاعاتی فراتر از سن ظاهری افراد در اختیار بگذارد. این فناوری با تحلیل ویژگی‌های چهره، سن زیستی فرد را تخمین می‌زند و می‌تواند برای برآورد احتمال بقای بیماران مبتلا به سرطان نیز به کار گرفته شود. یافته‌های این پژوهش نشان می‌دهد که تحلیل چهره در آینده می‌تواند به یکی از ابزارهای کمکی پزشکان برای ارزیابی وضعیت عمومی بیماران و بررسی خطرات احتمالی درمان تبدیل شود.
بااین‌حال، این فناوری هنوز به معنای پیش‌بینی قطعی طول عمر افراد از روی عکس نیست. نتایج به‌دست‌آمده درباره ارتباط ویژگی‌های چهره با خطر مرگ‌ومیر است و استفاده بالینی گسترده از چنین ابزارهایی به بررسی‌های بیشتر و ارزیابی دقیق عملکرد آن‌ها در گروه‌های مختلف بیماران نیاز دارد.
هوش مصنوعی FAHR-Face چگونه از روی عکس چهره وضعیت سلامت را بررسی می‌کند؟
به گزارش گاردین، پژوهشگران مرکز درمانی بریگهام در آمریکا سامانه‌ای به نام FAHR-Face توسعه داده‌اند که با تکیه بر هوش مصنوعی و تحلیل تصاویر چهره، دو شاخص متفاوت را بررسی می‌کند: سن زیستی و احتمال بقا. این سامانه بر اساس بیش از ۴۰ میلیون تصویر چهره از افراد در سنین مختلف و با پیشینه‌های قومی گوناگون آموزش دیده است.
پژوهشگران با استفاده از این مدل پایه، دو ابزار مکمل ساخته‌اند که هرکدام وظیفه مشخصی دارند:
- FAHR-FaceAge: سن زیستی فرد را از روی ویژگی‌های چهره تخمین می‌زند و مشخص می‌کند که چهره او در مقایسه با سن واقعی‌اش جوان‌تر یا پیرتر به نظر می‌رسد.
- FAHR-FaceSurvival: ویژگی‌های چهره را برای برآورد احتمال بقا و ارزیابی خطر مرگ‌ومیر تحلیل می‌کند.
اگرچه این دو ابزار از یک مدل پایه استفاده می‌کنند، اطلاعات یکسانی استخراج نمی‌کنند. هر ابزار به بخش‌های متفاوتی از چهره توجه دارد و از الگوهای بصری متفاوتی برای ارائه برآوردهای خود بهره می‌برد.
کدام بخش‌های چهره برای هوش مصنوعی اهمیت بیشتری دارند؟
یکی از نکات قابل‌توجه در پژوهش FAHR-Face این است که دو ابزار آن هنگام تحلیل چهره بر نواحی متفاوتی تمرکز می‌کنند. این تفاوت نشان می‌دهد که تخمین سن زیستی و ارزیابی احتمال بقا، باوجود استفاده از یک مدل پایه، فرایندهای کاملاً یکسانی نیستند.
FAHR-FaceAge؛ تخمین سن زیستی از روی ویژگی‌های چهره
ابزار FAHR-FaceAge بخش‌هایی از چهره را بررسی می‌کند که تغییرات ظاهری مرتبط با افزایش سن در آن‌ها قابل مشاهده است. از جمله این نواحی می‌توان به چین‌وچروک‌های امتداد بینی تا گوشه‌های دهان، ناحیه پیشانی در بالای حدقه چشم و شقیقه‌ها اشاره کرد.
این ابزار با تحلیل الگوهای تصویری در این قسمت‌ها، تخمینی از سن زیستی فرد ارائه می‌دهد. سن زیستی مفهومی متفاوت از سن تقویمی است: سن تقویمی تعداد سال‌های سپری‌شده از زمان تولد را نشان می‌دهد، درحالی‌که سن زیستی در این پژوهش از الگوهای ظاهری مرتبط با وضعیت بدن و فرایند پیری استنباط می‌شود.
بنابراین، اگر هوش مصنوعی فردی را مسن‌تر از سن واقعی‌اش ارزیابی کند، این نتیجه لزوماً به معنای وجود یک بیماری مشخص نیست. چنین برآوردی باید در کنار سایر اطلاعات پزشکی و شرایط فرد تفسیر شود.
FAHR-FaceSurvival؛ تحلیل چهره برای برآورد احتمال بقا
ابزار دوم، یعنی FAHR-FaceSurvival، برای بررسی احتمال بقا طراحی شده است. این مدل بیشتر بر ناحیه زیر چشم‌ها و اطراف پل بینی تمرکز می‌کند؛ مناطقی که در تحلیل‌های آن برای برآورد خطر مرگ‌ومیر اهمیت داشته‌اند.
تفاوت نواحی مورد توجه دو ابزار نشان می‌دهد که نمی‌توان نتایج تخمین سن زیستی را دقیقاً معادل پیش‌بینی بقا دانست. هرکدام از این مدل‌ها خروجی متفاوتی تولید می‌کنند و کاربرد احتمالی آن‌ها نیز به نوع ارزیابی موردنظر بستگی دارد.
سن ظاهری بالاتر با افزایش خطر مرگ‌ومیر بیماران سرطانی ارتباط دارد
پژوهشگران برای بررسی عملکرد این فناوری، داده‌های بیماران مبتلا به سرطان را که در آمریکا تحت پرتودرمانی قرار گرفته بودند، تحلیل کردند. یکی از بخش‌های مهم مطالعه به ارتباط میان سن تخمین‌زده‌شده از روی چهره و خطر مرگ‌ومیر در طول دوره پیگیری اختصاص داشت.
بر اساس نتایج گزارش‌شده، بیمارانی که ابزار FAHR-FaceAge سن ظاهری آن‌ها را دست‌کم پنج سال بیشتر از سن واقعی‌شان تخمین زده بود، در دوره پیگیری با میانگین چهار سال، با ۲۱ درصد خطر مرگ بیشتر نسبت به سایر افراد روبه‌رو بودند.
در سوی دیگر، بیمارانی که دست‌کم پنج سال جوان‌تر از سن واقعی خود به نظر می‌رسیدند، با ۱۷ درصد خطر مرگ کمتر مواجه بودند.
این یافته‌ها حاکی از آن است که تفاوت میان سن تقویمی و سن تخمین‌زده‌شده از روی چهره ممکن است با وضعیت سلامت و پیامدهای بیماری ارتباط داشته باشد. بااین‌حال، این ارقام به‌تنهایی نشان نمی‌دهند که ظاهر پیرتر علت افزایش خطر مرگ است یا اینکه این روش می‌تواند سرنوشت یک بیمار مشخص را با قطعیت پیش‌بینی کند.
بیماران گروه پرخطر بیش از سه برابر احتمال مرگ داشتند
نتایج ابزار FAHR-FaceSurvival نیز تفاوت معناداری میان گروه‌های بیماران از نظر خطر مرگ‌ومیر نشان داد. طبق یافته‌های پژوهش، بیمارانی که این سامانه آن‌ها را در گروه دارای بالاترین خطر قرار داده بود، بیش از سه برابر بیماران گروه کم‌خطر احتمال مرگ داشتند.
نکته مهم این بود که این تفاوت حتی پس از درنظرگرفتن چند عامل پزشکی مرتبط با بیماران نیز از نظر آماری معنادار باقی ماند. این موضوع نشان می‌دهد که اطلاعات استخراج‌شده از تصویر چهره ممکن است حاوی نشانه‌هایی باشد که در ارزیابی خطر مرگ‌ومیر ارزش بررسی بیشتری دارند.
البته معناداری آماری به معنای دقت کامل در پیش‌بینی برای هر فرد نیست. حتی اگر یک مدل بتواند در سطح گروهی میان بیماران پرخطر و کم‌خطر تمایز ایجاد کند، برای تعیین میزان کارایی آن در تصمیم‌های درمانی واقعی باید معیارهای دیگری مانند دقت پیش‌بینی، قابلیت تعمیم و عملکرد در جمعیت‌های مستقل نیز ارزیابی شوند.
آیا نورپردازی، زاویه صورت و آرایش نتیجه را تغییر می‌دهند؟
یکی از چالش‌های استفاده از هوش مصنوعی برای تحلیل عکس چهره این است که تصاویر همیشه در شرایط یکسان ثبت نمی‌شوند. زاویه دوربین، شدت نور، حالت صورت و آرایش می‌توانند ظاهر فرد را تغییر دهند و بر تحلیل رایانه‌ای اثر بگذارند.
بر اساس گزارش پژوهش، عملکرد ابزار تخمین سن زیستی FAHR-FaceAge در برابر تفاوت‌های رایج تصاویر، از جمله تغییر زاویه چهره، نورپردازی، حالت صورت و آرایش، نسبتاً پایدار بود. پژوهشگران همچنین گزارش کردند که این ابزار پس از بیشتر جراحی‌های زیبایی نیز عملکرد پایداری داشت؛ هرچند پس از جراحی بینی تغییر اندکی مشاهده شد.
این نتایج می‌تواند برای توسعه ابزارهای مبتنی بر تصاویر چهره اهمیت داشته باشد، زیرا سامانه‌ای که قرار است در شرایط واقعی استفاده شود باید در برابر تغییرات معمول عکس‌برداری تا حد امکان مقاوم باشد. بااین‌حال، پایداری گزارش‌شده در این مطالعه به معنای مصونیت کامل مدل از خطا یا عملکرد یکسان آن در همه شرایط نیست.
ارتباط سیگار، الکل و مواد مخدر با سن تخمین‌زده‌شده از روی چهره
پژوهشگران همچنین دریافتند که مصرف زیاد الکل، استفاده از مواد مخدر و سیگارکشیدن با مسن‌تر به نظر رسیدن افراد در تحلیل هوش مصنوعی ارتباط دارد.
این یافته با این احتمال سازگار است که برخی عوامل مرتبط با سبک زندگی و وضعیت سلامت می‌توانند در ویژگی‌های ظاهری چهره بازتاب پیدا کنند. بااین‌حال، از این ارتباط نمی‌توان نتیجه گرفت که هوش مصنوعی صرفاً با مشاهده یک عکس قادر است سابقه مصرف مواد یا عادت‌های شخصی فرد را با اطمینان تشخیص دهد.
همچنین، سن زیستی تخمین‌زده‌شده از روی چهره نباید به‌تنهایی مبنای قضاوت درباره سلامت یا رفتارهای یک شخص قرار بگیرد. چنین برآوردهایی احتمالی‌اند و ممکن است تحت تأثیر عوامل متعدد و حتی تفاوت‌های فردی قرار داشته باشند.
کاربرد احتمالی FAHR-Face در درمان سرطان چیست؟
یکی از اهداف بالقوه این فناوری، کمک به پزشکان برای ارزیابی دقیق‌تر وضعیت بیماران پیش از شروع درمان یا انجام جراحی‌های بزرگ است. اگر پژوهش‌های آینده نشان دهند که اطلاعات استخراج‌شده از چهره می‌تواند ارزیابی خطر را بهبود دهد، این ابزار شاید در کنار روش‌های متداول پزشکی به کار گرفته شود.
کاربردهای احتمالی این فناوری عبارت‌اند از:
- ارزیابی خطر پیش از درمان: کمک به بررسی وضعیت عمومی بیمار پیش از انتخاب یا آغاز برخی درمان‌های سرطان.
- برآورد خطر عوارض پس از جراحی: بررسی احتمال ارتباط ویژگی‌های چهره با خطر مرگ یا عوارض پس از عمل‌های بزرگ.
- تکمیل اطلاعات پزشکی: افزودن یک شاخص کمکی به داده‌هایی که پزشکان از معاینه، سابقه بیماری و آزمایش‌ها به دست می‌آورند.
- پشتیبانی از تصمیم‌گیری درمانی: کمک احتمالی به شناسایی بیمارانی که به ارزیابی بیشتر یا مراقبت دقیق‌تری نیاز دارند.
این کاربردها در حال حاضر باید به‌عنوان ظرفیت‌های احتمالی فناوری در نظر گرفته شوند، نه خدمات درمانی تثبیت‌شده. تصمیم‌گیری درباره درمان سرطان به نوع و مرحله بیماری، وضعیت عمومی بیمار، نتایج آزمایش‌ها، پاسخ احتمالی به درمان و عوامل متعدد دیگر وابسته است.
محدودیت‌های پیش‌بینی شانس بقا با عکس چهره
با وجود نتایج امیدوارکننده، استفاده گسترده از FAHR-Face در مراکز درمانی به پژوهش‌های بیشتری نیاز دارد. یک مدل هوش مصنوعی ممکن است در مجموعه داده‌ای مشخص عملکرد خوبی داشته باشد، اما برای اطمینان از کارایی آن باید در جمعیت‌های متفاوت و شرایط بالینی متنوع نیز آزمایش شود.
از سوی دیگر، پیش‌بینی خطر مرگ‌ومیر با تعیین سرنوشت قطعی یک بیمار تفاوت دارد. اگر یک مدل فردی را در گروه پرخطر قرار دهد، این نتیجه به معنای آن نیست که مرگ او حتمی است. به همین ترتیب، قرارگرفتن در گروه کم‌خطر نیز تضمین‌کننده بهبودی یا بقای طولانی‌مدت نیست.
استفاده از عکس چهره برای ارزیابی سلامت همچنین موضوعاتی مانند حریم خصوصی، امنیت داده‌های تصویری، رضایت آگاهانه بیمار و احتمال خطا یا سوگیری الگوریتمی را مطرح می‌کند. این مسائل به‌ویژه در کاربردهای پزشکی اهمیت دارند، زیرا خروجی یک مدل نباید بدون بررسی تخصصی به تصمیمی منجر شود که بر روند درمان بیمار تأثیر می‌گذارد.
بنابراین، تا زمانی که شواهد بالینی بیشتری در دسترس قرار نگیرد، مناسب‌ترین نگاه به این فناوری، استفاده احتمالی از آن به‌عنوان ابزاری مکمل برای پژوهش و ارزیابی پزشکی است؛ نه جایگزینی برای تشخیص پزشک یا آزمایش‌های متداول.
نتایج پژوهش FAHR-Face در کدام مجله منتشر شده است؟
یافته‌های مربوط به سامانه FAHR-Face در مجله علمی The Lancet Digital Health منتشر شده است. این پژوهش امکان استفاده از ویژگی‌های چهره برای تخمین سن زیستی و بررسی ارتباط آن با احتمال بقای بیماران سرطانی را مطرح می‌کند.
در مجموع، نتایج این مطالعه نشان می‌دهد که عکس چهره ممکن است اطلاعاتی مرتبط با وضعیت سلامت و خطر مرگ‌ومیر در خود داشته باشد. بااین‌حال، تبدیل این یافته‌ها به ابزاری قابل اتکا برای مراقبت روزمره از بیماران به اعتبارسنجی بیشتر، بررسی محدودیت‌ها و ارزیابی دقیق عملکرد مدل در محیط‌های درمانی نیاز دارد.
