Η ιδέα ότι μια απλή φωτογραφία προσώπου μπορεί να αποκαλύψει κρίσιμες πληροφορίες για την πορεία ενός καρκινοπαθούς ακούγεται σαν σενάριο επιστημονικής φαντασίας. Ωστόσο, μια νέα μελέτη από το Mass General Brigham, που δημοσιεύθηκε στο Lancet Digital Health, δείχνει ότι αυτό είναι πλέον επιστημονική πραγματικότητα. Οι ερευνητές ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης ικανό να εκτιμήσει τη βιολογική ηλικία ενός ασθενούς και να προβλέψει τις πιθανότητες επιβίωσης από τον καρκίνο, βασιζόμενο αποκλειστικά σε φωτογραφίες προσώπου. Το ερώτημα που προκύπτει εύλογα είναι: πώς μπορεί να συμβαίνει αυτό;
Το «θεμέλιο»: Ένα μοντέλο εκπαιδευμένο σε 40 εκατομμύρια πρόσωπα
Για να κατανοήσουμε την τεχνολογία, πρέπει να ξεκινήσουμε από τη βάση της. Οι επιστήμονες δεν «έμαθαν» στην τεχνητή νοημοσύνη να αναγνωρίζει συγκεκριμένα χαρακτηριστικά του καρκίνου. Αντίθετα, δημιούργησαν ένα θεμελιώδες μοντέλο (foundation model) με την ονομασία FAHR-Face (Foundation Artificial Intelligence for Health Recognition), το οποίο εκπαιδεύτηκε σε περισσότερες από 40 εκατομμύρια φωτογραφίες προσώπου, καλύπτοντας ένα ευρύ φάσμα εθνοτήτων και ηλικιών. Αυτή η τεράστια δεξαμενή δεδομένων επέτρεψε στο σύστημα να μάθει μια «γενική αναπαράσταση» του ανθρώπινου προσώπου και των τρόπων με τους οποίους αυτό αλλάζει με την πάροδο του χρόνου.
Πάνω σε αυτό το θεμέλιο, οι ερευνητές «εκπαίδευσαν» δύο ξεχωριστούς αλγορίθμους, καθένας από τους οποίους εξειδικεύεται σε μια διαφορετική εργασία:
-
FAHR-FaceAge: Εκτιμά τη βιολογική ηλικία του ασθενούς, δηλαδή το πόσο «γερασμένο» δείχνει το πρόσωπό του σε σύγκριση με την ηλικία του στα χαρτιά.
-
FAHR-FaceSurvival: Προβλέπει απευθείας την επιβίωση από τον καρκίνο, χωρίς να βασίζεται στην εκτίμηση της βιολογικής ηλικίας.
Πώς «βλέπει» η AI; Τα σημεία-κλειδιά του προσώπου
Ένα από τα πιο συναρπαστικά ευρήματα της μελέτης είναι ότι οι δύο αλγόριθμοι δεν «κοιτάνε» τα ίδια σημεία του προσώπου. Χρησιμοποιώντας τεχνικές επεξηγηματικής τεχνητής νοημοσύνης (explainable AI), οι ερευνητές χαρτογράφησαν ποιες περιοχές του προσώπου είχαν τη μεγαλύτερη επιρροή στις προβλέψεις κάθε μοντέλου.
-
Το FAHR-FaceAge εστιάζει κυρίως στις ρυτίδες γύρω από τη μύτη και το στόμα ( nasolabial folds), στο μέτωπο πάνω από τα μάτια και στους κροτάφους. Πρόκειται για περιοχές που παραδοσιακά συνδέονται με τη γήρανση του δέρματος.
-
Το FAHR-FaceSurvival, από την άλλη, δίνει έμφαση στην περιοχή κάτω από τα μάτια και γύρω από τη γέφυρα της μύτης.
Αυτή η διαφοροποίηση είναι σημαντική, γιατί δείχνει ότι η πρόβλεψη επιβίωσης δεν είναι απλώς μια «αναπαράσταση» της βιολογικής ηλικίας. Τα δύο μοντέλα καταγράφουν διαφορετικές και συμπληρωματικές πληροφορίες για την υγεία ενός ατόμου, και ο συνδυασμός τους βελτιώνει την ακρίβεια της πρόγνωσης.
Ο βιολογικός μηχανισμός: Γιατί το πρόσωπο καθρεφτίζει την υγεία;
Το κεντρικό ερώτημα παραμένει: γιατί η εμφάνιση του προσώπου σχετίζεται με την επιβίωση από τον καρκίνο; Η απάντηση βρίσκεται στη σύνδεση μεταξύ της επιταχυνόμενης βιολογικής γήρανσης και της συστηματικής επιβάρυνσης του οργανισμού.
Οι ερευνητές υποστηρίζουν ότι η ταχύτερη εμφάνιση γήρανσης στο πρόσωπο αντανακλά ευρύτερες βιολογικές διεργασίες που σχετίζονται με την εξέλιξη του καρκίνου και τη γενική έκπτωση της υγείας. Αυτές περιλαμβάνουν:
-
Κυτταρική γήρανση (cellular senescence): Τα κύτταρα παύουν να διαιρούνται και εκκρίνουν ουσίες που προκαλούν φλεγμονή.
-
Βλάβη του DNA: Συσσωρεύεται με την ηλικία και τις θεραπείες (όπως η ακτινοβολία).
-
Μειωμένη ικανότητα επιδιόρθωσης των ιστών: Ο οργανισμός γίνεται λιγότερο αποτελεσματικός στην αποκατάσταση των φθορών.
Η βιολογική ηλικία που εκτιμά η AI δεν είναι απλώς μια «αισθητική» μέτρηση. Αντανακλά τη φυσική εφεδρεία και την ευπάθεια (frailty) του ασθενούς — δηλαδή την ικανότητά του να αντεπεξέλθει στο στρες της νόσου και των επιθετικών θεραπειών, όπως η χειρουργική επέμβαση, η ακτινοθεραπεία ή η συστηματική θεραπεία. Ένας ασθενής που «δείχνει» μεγαλύτερος από την ηλικία του πιθανώς έχει μειωμένη ικανότητα αποκατάστασης και αντιμετώπισης επιπλοκών.
Τι δείχνουν τα δεδομένα;
Τα αποτελέσματα είναι εντυπωσιακά. Στη μελέτη, οι ασθενείς που κατατάχθηκαν στην υψηλότερη κατηγορία κινδύνου από το FAHR-FaceSurvival είχαν υπερτριπλάσιο κίνδυνο θανάτου σε σύγκριση με εκείνους στη χαμηλότερη κατηγορία (adjusted hazard ratio = 3.23). Επιπλέον, μια ξεχωριστή ανάλυση της ίδιας ερευνητικής ομάδας, που δημοσιεύθηκε στο Nature Communications, εισήγαγε την έννοια του Ρυθμού Γήρανσης του Προσώπου (Face Aging Rate – FAR) . Διαπιστώθηκε ότι οι ασθενείς των οποίων το πρόσωπο «γερνούσε» ταχύτερα μεταξύ δύο φωτογραφιών είχαν σημαντικά μικρότερη μέση επιβίωση. Για παράδειγμα, σε μια ομάδα μεσοπρόθεσμης παρακολούθησης, η διάμεση επιβίωση ήταν 6,4 μήνες για όσους γερνούσαν γρήγορα, έναντι 12,5 μηνών για όσους γερνούσαν με φυσιολογικό ρυθμό.
Η αξία αυτής της τεχνολογίας έγκειται στην προσβασιμότητά της. Δεν απαιτεί αιματολογικές εξετάσεις, ακριβό εξοπλισμό ή επεμβατικές διαδικασίες. Μπορεί να αξιοποιήσει φωτογραφίες που λαμβάνονται ήδη κατά τη διάρκεια της κλινικής φροντίδας, προσφέροντας ένα μη επεμβατικό, χαμηλού κόστους και άμεσο εργαλείο για την στρωματοποίηση κινδύνου και την εξατομίκευση της θεραπείας. Οι γιατροί θα μπορούσαν να το χρησιμοποιήσουν για να εντοπίσουν ασθενείς που χρειάζονται στενότερη παρακολούθηση ή πιο επιθετική υποστηρικτική φροντίδα.
Ωστόσο, είναι κρίσιμο να τονιστούν οι περιορισμοί. Πρόκειται για μια αναδρομική μελέτη και τα μοντέλα δεν έχουν ακόμη επικυρωθεί σε προοπτικές κλινικές δοκιμές. Το δείγμα ήταν κυρίως λευκός πληθυσμός, γεγονός που εγείρει ερωτήματα σχετικά με τη γενίκευση σε άλλες φυλές. Επίσης, παράγοντες όπως η ποιότητα του φωτισμού, η έκφραση του προσώπου και η γωνία λήψης μπορούν να επηρεάσουν την απόδοση του μοντέλου, αν και οι ερευνητές διαπίστωσαν ότι το FAHR-FaceAge ήταν αρκετά σταθερό σε κοινές παραλλαγές. Τέλος, υπάρχουν σημαντικά ηθικά ζητήματα που αφορούν την ιδιωτικότητα και την πιθανή μεροληψία των αλγορίθμων, τα οποία πρέπει να αντιμετωπιστούν πριν από την ευρεία εφαρμογή.
Η ικανότητα της τεχνητής νοημοσύνης να προβλέπει την επιβίωση από τον καρκίνο μέσω μιας φωτογραφίας προσώπου δεν είναι μαγεία. Είναι το αποτέλεσμα της ικανότητας των βαθιών νευρωνικών δικτύων να ανιχνεύουν λεπτές, μη ορατές στο ανθρώπινο μάτι, αλλαγές στην υφή του δέρματος, τον όγκο και τη δομή του προσώπου, οι οποίες συσχετίζονται με τη συστηματική βιολογική γήρανση και τη φυσική εφεδρεία του οργανισμού. Πρόκειται για ένα ισχυρό παράδειγμα του πώς η AI μπορεί να μετατρέψει ένα καθημερινό, φθηνό και προσβάσιμο δεδομένο — μια σέλφι — σε ένα πολύτιμο κλινικό εργαλείο, ανοίγοντας νέους δρόμους στην εξατομικευμένη ιατρική.
Πηγή: www.zougla.gr