هوش مصنوعی می‌تواند خطر مرگ را از روی چهره تشخیص دهد؟

پژوهشگران با توسعه یک مدل هوش مصنوعی که بر بیش از ۴۰ میلیون تصویر چهره آموزش دیده است، توانسته‌اند سن زیستی ظاهری و خطر مرگ‌ومیر بیماران مبتلا به سرطان را از روی عکس صورت آن‌ها برآورد کنند. نتایج این مطالعه نشان می‌دهد ترکیب این دو شاخص می‌تواند به ارزیابی دقیق‌تر پیش‌آگهی بیماران کمک کند؛ با این حال، متخصصان تأکید می‌کنند این فناوری هنوز برای استفاده معمول در تصمیم‌گیری‌های پزشکی آماده نیست.

مطالعه جدیدی که روز ۱۹ اکتبر ۲۰۲۶ در مجله علمی The Lancet Digital Health منتشر شد، مدلی به نام «FAHR-Face» را معرفی می‌کند که با استفاده از هوش مصنوعی، اطلاعات مرتبط با سلامت را از تصاویر چهره استخراج می‌کند. این مدل با استفاده از بیش از ۴۰ میلیون تصویر چهره آموزش اولیه دیده و سپس برای دو کاربرد مشخص توسعه یافته است: برآورد سن زیستی ظاهری و پیش‌بینی خطر مرگ‌ومیر بیماران مبتلا به سرطان.

پژوهشگران می‌گویند هدف از توسعه این فناوری، فراهم‌کردن روشی غیرتهاجمی، کم‌هزینه و قابل‌دسترس برای کمک به ارزیابی وضعیت بیماران، به‌ویژه پیش از درمان‌های سنگینی مانند پرتودرمانی، جراحی یا درمان‌های سیستمیک، است. این ابزار قرار نیست جایگزین قضاوت پزشک شود، بلکه می‌تواند در کنار سایر اطلاعات بالینی به تصمیم‌گیری دقیق‌تر کمک کند.

هوش مصنوعی چگونه از روی چهره، سن زیستی را تخمین می‌زند؟ پژوهشگران دو ابزار مکمل توسعه داده‌اند.

ابزار نخست، FAHR-FaceAge، سن ظاهری فرد را بر اساس ویژگی‌های چهره تخمین می‌زند. این عدد با سن تقویمی، یعنی تعداد سال‌هایی که از تولد فرد گذشته است، مقایسه می‌شود.

برای مثال، اگر سن تقویمی فرد ۶۰ سال باشد، اما مدل سن ظاهری او را ۶۸ سال برآورد کند، اختلاف این دو عدد هشت سال خواهد بود. در این مطالعه، بالاتر بودن سن برآوردشده از سن تقویمی به‌عنوان شاخصی احتمالی از وضعیت سلامت نامطلوب‌تر در نظر گرفته شد.

البته این برآورد به معنای اندازه‌گیری مستقیم فرایندهای زیستی پیری نیست؛ هوش مصنوعی سن را از ویژگی‌های ظاهری چهره تخمین می‌زند و سپس ارتباط آن را با پیامدهای سلامت بررسی می‌کند. مدل دوم، FAHR-FaceSurvival، مستقیماً برای برآورد خطر مرگ‌ومیر بیماران مبتلا به سرطان آموزش داده شده است.

برای توسعه و ارزیابی این ابزارها، پژوهشگران از اطلاعات بالینی و تصاویر بیماران در مراکز درمانی وابسته به دانشگاه هاروارد و یک مرکز درمانی در ماستریخت هلند استفاده کردند. مجموعه‌های بالینی شامل اطلاعات ده‌ها هزار بیمار در آمریکا و نزدیک به پنج هزار بیمار در هلند بود.

اختلاف سن ظاهری و سن واقعی چه ارتباطی با بقا دارد؟ مدل برآورد سن در ارزیابی تصاویر عمومی به میانگین خطای مطلق ۵.۱ سال رسید؛ به این معنا که اختلاف میان سن تخمین‌زده‌شده و سن واقعی در این مجموعه داده، به‌طور میانگین حدود پنج سال بود.

در بررسی ۳۸ هزار و ۱۸۳ بیمار در مجموعه بالینی آمریکا، پژوهشگران دریافتند اختلاف سن ظاهری و سن تقویمی با احتمال بقا ارتباط دارد. پس از تعدیل آماری عواملی مانند سن، جنسیت، نوع سرطان و ویژگی‌های درمان، بیمارانی که سن ظاهری آن‌ها دست‌کم پنج سال بیشتر از سن تقویمی‌شان بود، در مقایسه با گروه مرجع، ۲۱ درصد خطر بالاتری برای مرگ داشتند.

در مقابل، بیمارانی که سن ظاهری آن‌ها دست‌کم پنج سال کمتر از سن تقویمی‌شان برآورد شده بود، در مقایسه با گروه مرجع، ۱۷ درصد خطر پایین‌تری داشتند. این اعداد به تفاوت خطر آماری در گروه‌های مورد بررسی اشاره دارند و به معنای تعیین احتمال قطعی مرگ یا طول عمر یک فرد مشخص نیستند.

دقت مدل پیش‌بینی مرگ‌ومیر چقدر بود؟ مدل FAHR-FaceSurvival برای پیش‌بینی خطر مرگ‌ومیر در بیماران مبتلا به سرطان آموزش داده شد و سپس روی گروهی جداگانه از بیماران در آمریکا آزمایش شد.

نتایج نشان داد در این گروه، خطر مرگ‌ومیر در چارک دارای بالاترین امتیاز خطر، پس از تعدیل عوامل بالینی، حدود ۳.۲۳ برابر چارک دارای پایین‌ترین امتیاز بود. پژوهشگران نتایج را در یک مجموعه مستقل شامل ۴۸۹۲ بیمار سرطانی در هلند نیز بررسی کردند.

ارتباط میان امتیازهای مدل و بقا در این گروه نیز مشاهده شد. همچنین دو مدل سن ظاهری و پیش‌بینی بقا، اطلاعات مکملی ارائه کردند؛ یعنی ترکیب نتایج آن‌ها در تحلیل آماری توانست برازش مدل پیش‌بینی بقا را بهبود دهد.

با این حال، امتیاز خطر تولیدشده توسط هوش مصنوعی، احتمال شخصی و قطعی مرگ فرد را مشخص نمی‌کند. این ابزار فعلاً برای تفکیک نسبی بیماران بر اساس خطر در گروه‌های بررسی‌شده ارزیابی شده است، نه تعیین دقیق سرنوشت هر بیمار.

چهره چگونه می‌تواند اطلاعاتی درباره سلامت بدن ارائه دهد؟ پژوهشگران همچنین بررسی کردند که کدام نواحی صورت بیشترین نقش را در پیش‌بینی‌های دو مدل دارند.

مدل برآورد سن ظاهری بیشتر بر نواحی پیشانی، شقیقه‌ها و چین‌های اطراف بینی و دهان تمرکز داشت. در مقابل، مدل پیش‌بینی بقا بیشتر از ویژگی‌های ناحیه زیر چشم‌ها و اطراف پل بینی استفاده می‌کرد.

این تفاوت نشان می‌دهد دو مدل احتمالاً از اطلاعات ظاهری متفاوتی برای برآورد سن و خطر مرگ‌ومیر استفاده می‌کنند؛ اما پژوهش حاضر مشخص نکرده است که هر ویژگی چهره دقیقاً بازتاب کدام سازوکار زیستی است. محققان همچنین دریافتند که مصرف زیاد الکل، استفاده از مواد مخدر و سیگارکشیدن با سن ظاهری بالاتر ارتباط دارند.

این ارتباط در مورد سیگارکشیدن برجسته‌تر بود؛ به‌طوری‌که افراد سیگاری فعلی، در برآورد مدل، مسن‌تر از افرادی به نظر می‌رسیدند که قبلاً سیگار می‌کشیدند و این گروه نیز مسن‌تر از افرادی برآورد می‌شدند که هرگز سیگار نکشیده بودند. این یافته‌ها ارتباط میان رفتارهای مرتبط با سلامت و ویژگی‌های ظاهری چهره را نشان می‌دهند، اما به‌تنهایی اثبات نمی‌کنند که تغییر این رفتارها الزاماً باعث کاهش سن برآوردشده توسط مدل می‌شود.

هوش مصنوعی می‌تواند طول عمر افراد را از روی عکس تشخیص دهد؟ با وجود نتایج امیدوارکننده، متخصصان مستقل هشدار می‌دهند که نباید توانایی این فناوری را بیش از شواهد موجود دانست.

میروسلاو بوبر، استاد پردازش ویدئو و یادگیری ماشین در دانشگاه ساری، در ارزیابی این مطالعه گفت پژوهش شواهد قابل‌توجهی درباره ارتباط آماری ویژگی‌های چهره و بقا در بیماران سرطانی دریافت‌کننده پرتودرمانی ارائه می‌کند؛ اما پیش‌بینی یک پیامد، به معنای توضیح علت آن نیست. او تأکید کرد که این مطالعه نشان نداده است مدل هوش مصنوعی اطلاعاتی فراتر از ارزیابی وضعیت عمومی و توان جسمانی بیمار توسط پزشک ارائه می‌کند؛ زیرا این ارزیابی‌های بالینی مستقیماً در پژوهش اندازه‌گیری نشده بودند.

همچنین، تغییر نور عکس یا حالت چهره، از جمله لبخندزدن، می‌تواند تخمین سن مدل را تغییر دهد. به همین دلیل، استفاده از این فناوری برای ردیابی روند پیری یا ارزیابی تأثیر تغییر سبک زندگی هنوز زودهنگام است.

از دیگر محدودیت‌های پژوهش می‌توان به تمرکز بر بیماران سرطانی، انجام مطالعه در مراکز درمانی کشورهای پردرآمد و باقی‌ماندن احتمال سوگیری در برخی گروه‌های جمعیتی اشاره کرد. برای مثال، ارتباط میان شاخص سن ظاهری و بقا در بیماران سیاه‌پوست پس از تعدیل عوامل دیگر از نظر آماری معنادار نبود.

این متخصص تأکید می‌کند که مدل پیش از ورود به کاربرد بالینی به ارزیابی‌های بیشتری در بیمارستان‌ها و گروه‌های مختلف بیماران نیاز دارد و باید مشخص شود آیا واقعاً به تصمیم‌گیری پزشکان کمک می‌کند یا خیر. تحلیل تصاویر چهره با هوش مصنوعی می‌تواند در آینده به ابزاری مکمل برای ارزیابی وضعیت بیماران و پیش‌بینی پیامدهای درمان تبدیل شود؛ اما در حال حاضر، این فناوری نه ابزار تشخیص قطعی بیماری است و نه می‌تواند طول عمر یک فرد را از روی عکس صورت تعیین کند.

استفاده از آن برای تصمیم‌گیری درمانی همچنان به پژوهش‌ها و اعتبارسنجی‌های بالینی بیشتری نیاز دارد. منبع مقاله: