Tek bir yüz fotoğrafıyla kanser hastalarının ölüm riskini ölçen yapay zeka
Mass General Brigham araştırmacıları, tek bir yüz fotoğrafından biyolojik yaşı hesaplayan ve kanser hastalarının ölüm riskini tahmin eden iki yapay zeka modeli geliştirdi.
Mass General Brigham Kanser Enstitüsü araştırmacıları, yalnızca bir yüz fotoğrafını analiz ederek kişinin biyolojik yaşını hesaplayan ve kanser hastalarının tedavi sürecindeki ölüm riskini tahmin eden iki yapay zeka modeli geliştirdi. 42 milyondan fazla yüz fotoğrafıyla eğitilen sistem, özellikle yoğun kanser tedavilerinden önce hastaların genel sağlık durumunu değerlendirmeye yardımcı olmayı hedefliyor. İlk testlerde modeller, hem yaş tahmininde hem de kanser hastalarını ölüm riskine göre sınıflandırmada dikkat çekici sonuçlar elde etti.
42 milyon fotoğrafla eğitildi
FAHR-Face adı verilen temel model, yüz fotoğraflarından sağlıkla ilgili göstergeler çıkarmak üzere geliştirildi. Model, masked autoencoder adı verilen öz denetimli öğrenme yöntemiyle 42 milyondan fazla fotoğraf üzerinde eğitildi. Fotoğrafların bazı bölümlerini kapatarak eksik kısımları yeniden oluşturmayı öğrenen sistem, bu sayede yüz yapısını ve özelliklerini analiz ederek dijital biyobelirteçler üretebiliyor.
Araştırmacılar bu altyapıdan iki ayrı model oluşturdu. FAHR-FaceAge, kişinin doğum tarihine göre hesaplanan yaşından farklı olarak fizyolojik yaşlanmayı yansıtan biyolojik yaşı tahmin ediyor. FAHR-FaceSurvival ise kanser hastalarının hayatta kalma sonuçlarını ve ölüm riskini değerlendiriyor.
FAHR-FaceAge, takvim yaşını tahmin ederken ortalama 5,1 yıllık hata payına ulaştı. Karşılaştırma yapılan diğer modelde bu değer 6,92 yıl olarak ölçüldü. Makyaj, gözlük, yüz germe ameliyatı ve farklı ışık koşulları tahminleri önemli ölçüde etkilemezken burun estetiği yapılmış kişilerin fotoğraflarında küçük hatalar görüldü.
Modelin tahminleriyle ölüm riski arasında da ilişki belirlendi. Gerçek yaşından en az beş yıl daha yaşlı görünen kişilerin ölüm riski yüzde 21 daha yüksek çıktı. Gerçek yaşından beş yıl daha genç görünenlerde ise hayatta kalma oranı yüzde 17 daha yüksek bulundu.
FAHR-FaceSurvival ise radyoterapi gören 34 binden fazla kanser hastasının fotoğraflarıyla eğitildi. Model ayrıca yaklaşık 4 bin ve 5 bin hastadan oluşan iki ayrı grupta test edildi.
Sonuçlarda sistem, hastaları ölüm riskine göre başarılı şekilde sınıflandırdı. En yüksek risk grubundaki hastaların ölüm oranı, en düşük risk grubundakilerin üç katından fazla oldu. En yüksek risk grubundaki hastaların yüzde 52'si 90 gün içinde hayatını kaybederken en düşük risk grubunda bu oran yüzde 2,1'de kaldı.
Doktorların tedavi kararlarını destekleyebilir
İki model, yüzün farklı bölgelerindeki özelliklerden yararlanıyor. FAHR-FaceAge burun ile ağız arasındaki nazolabial kıvrımlara, göz çukurlarının üzerindeki alın bölgesine ve şakaklara odaklanıyor. FAHR-FaceSurvival ise göz altı bölgesiyle burun köprüsünün çevresini değerlendiriyor.
Araştırmacılar, bu yöntemin radyoterapi, cerrahi müdahale ve sistemik tedavi gibi yoğun süreçlerden önce hastaların genel sağlık durumunu ve fiziksel dayanıklılığını değerlendirmeye yardımcı olabileceğini belirtiyor. Günümüzde doktorlar bu değerlendirmeleri klinik deneyimlerine dayanarak yaparken özellikle ileri yaştaki hastalarda ek testlere de ihtiyaç duyulabiliyor.
Çalışmanın sorumlu yazarlarından radyasyon onkoloğu Raymond Mak, yaşlanan nüfus nedeniyle tedavi öncesinde fiziksel kapasiteyi ve kırılganlığı daha iyi ölçebilen yöntemlere ihtiyaç duyulduğunu vurguladı. Araştırmanın kıdemli yazarlarından Hugo Aerts ise basit bir yüz fotoğrafından kanser hastalarının hayatta kalma sonuçlarını tahmin edebilmenin önemli bir gelişme olduğunu ifade etti.
Ekip, temel model yaklaşımının her sağlık göstergesi için sıfırdan yeni bir sistem eğitmek yerine farklı yüz temelli biyobelirteçlerin geliştirilmesini kolaylaştırdığını belirtiyor. Araştırmacılar ayrıca kamuya açık bir çalışma başlatarak katılımcılara yaklaşık 10 dakikada kendi FaceAge tahminlerini alma imkanı sunuyor.
Bununla birlikte sonuçlar, yüz fotoğraflarının tek başına kesin bir öngörü sağlayabileceği anlamına gelmiyor. Modellerin klinik uygulamalarda kullanılabilmesi için daha fazla doğrulama yapılması ve doktorların değerlendirmelerini destekleyen araçlar olarak incelenmesi gerekiyor.