Yapay Zeka, Kanser Hastalarının Kısa Süreli Ölüm Riskini Yüz Fotoğraflarıyla Değerlendiriyor

Bir hastanın yüz fotoğrafı, doktorlara sağlık durumu ve kanser tedavisine olası yanıtları hakkında ek bilgiler sağlayabilir. Bu, The Lancet Digital Health dergisinde yayımlanan bir araştırmaya göre. ABD sağlık ağı Mass General Brigham'daki araştırmacılar tarafından geliştirilen iki yapay zeka aracı, kanser hastaları arasında biyolojik yaşlanma ve kısa süreli ölüm ile ilişkili kalıpları belirlemek için yüz görüntülerini analiz ediyor.

FAHR-Face olarak bilinen bu teknoloji, tıbbi risk değerlendirmesi için gelişen bir yaklaşımı temsil ediyor. Doğrudan tümörleri tanımlamak yerine, bir hastanın genel sağlık durumu ve hayatta kalma olasılıklarıyla istatistiksel olarak ilişkili olabilecek yüz özelliklerini inceliyor.

Araştırmacılar, bulguların tıbbi ekiplerin hasta savunmasızlığını daha tutarlı bir şekilde değerlendirmelerine yardımcı olabileceğine inanıyor, özellikle de zorlu tedavileri dikkate alırken. Ancak, modeller deneysel kalmaya devam ediyor ve geleneksel tıbbi muayeneleri veya klinik yargıyı değiştirmek için tasarlanmamıştır.

İki Yapay Zeka Modeli, İki Farklı Tıbbi Göstergeler

Araştırma, iki tamamlayıcı sistem üretti: FAHR-FaceAge ve FAHR-FaceSurvival.

FAHR-FaceAge, bir kişinin biyolojik yaşını yüz özelliklerinden tahmin ediyor. Doğumdan bu yana geçen zamanı ölçen kronolojik yaştan farklı olarak, biyolojik yaş, vücudun fiziksel durumu ve yaşlanma sürecinin yönlerini yansıtmaya çalışıyor.

FAHR-FaceSurvival, kanser teşhisi konulan kişiler arasında ölüm riskini tahmin etmek için yüz fotoğraflarını analiz ederek farklı bir yaklaşım benimser.

Temel teknoloji, başlangıçta 40 milyondan fazla yüz görüntüsü üzerinde eğitildi. Araştırmacılar daha sonra kanser hastalarından elde edilen tıbbi veriler ve fotoğraflar kullanarak modelleri uyarladılar ve yüz özellikleri ile klinik sonuçlar arasındaki ilişkileri araştırdılar.

Hayatta kalma modeli, 3,820 hastadan oluşan bir grup üzerinde değerlendirildi. Bu popülasyonda, araştırmacılar farklı risk kategorilerine atanan hastalar arasında gözlemlenen sonuçlarda önemli farklılıklar belirlediler.

Özellikle yüksek risk altında sınıflandırılan 122 hasta arasında, değerlendirme sonrası 90 gün içinde ölenlerin oranı %52,5'ti. Karşılaştırıldığında, aynı süre içinde en düşük risk kategorisine yerleştirilen 975 hastada ölüm oranı yaklaşık %2'ydi.

Bu bulgular, modelin değerlendirmeleri ile incelenen popülasyondaki sonraki sonuçlar arasında bir ilişki olduğunu göstermektedir. Bu, yapay zekanın bir fotoğraftan bireyin kaderini belirleyebileceği veya bir hastanın ne kadar süre yaşayacağını kesin olarak belirleyebileceği anlamına gelmez.

Yüz Özellikleri Biyolojik Yaşlanma İşaretlerini Açığa Çıkarabilir

İkinci model, yaş tahmin sistemi tarafından öncelik verilen alanlardan farklı yüz bölgelerini inceliyor. FAHR-FaceAge, alın, şakaklar ve burun ile ağız çevresindeki kırışıklıklar gibi alanlara odaklanırken, FAHR-FaceSurvival gözler ve burun köprüsü çevresindeki özelliklere daha fazla ağırlık veriyor.

Araştırmacılar ayrıca, tahmin edilen biyolojik yaşı gerçek yaşlarından daha yüksek olan hastaların genellikle daha kötü sonuçlar yaşadığını gözlemlediler. Çalışmada, yüzleri kronolojik yaşlarından en az beş yıl daha yaşlı görünen hastaların ölüm riski %21 daha yüksekti; oysa en az beş yıl daha genç göründüğü tahmin edilenlerde bu risk %17 daha düşüktü.

Bu kalıplar, yüz fotoğraflarının fiziksel savunmasızlıkla ilişkili bilgileri içerebileceğini önermektedir. Ancak, bu ilişkilerin arkasındaki kesin biyolojik mekanizmalar hala belirsizdir. Bir algoritma tarafından tanımlanan bir yüz özelliği, tek başına belirli bir hastalığın varlığını belirlemez veya bir hastanın durumunun neden kötüleşebileceğini açıklamaz.

Kişiselleştirilmiş Kanser Bakımında Potansiyel Uygulamalar

Bir hastanın fiziksel dayanıklılığını değerlendirmek, kanser tedavisinin planlanmasının önemli bir parçasıdır. Doktorlar, bir bireyin radyoterapi, cerrahi ve sistemik tedaviler gibi zorlayıcı müdahaleleri tolere edip edemeyeceğini dikkate almalıdır.

Erişilebilir bir yüz analizi aracı, bu değerlendirmeler sırasında ek bir bilgi kaynağı sağlayabilir. Fotoğrafların nispeten kolay elde edilebilmesi, teknolojinin daha kapsamlı değerlendirmelerin zor olduğu ortamlarda risk değerlendirmesini desteklemek için pratik bir yol sunabileceği anlamına geliyor.

Araştırmacıların amacı, kliniklerin daha bireyselleştirilmiş kararlar almasına yardımcı olabilecek ek göstergelerle mevcut tıbbi bilgiyi tamamlamaktır. Modeller, tedavi öncesi daha dikkatli izleme veya daha detaylı bir değerlendirme gerektiren hastaların belirlenmesine destek olabilir.

Ancak, ölüm ile istatistiksel bir ilişki, bir yapay zeka sisteminin klinik kararları iyileştirdiğini kanıtlamak için yeterli değildir. Yüz görüntülerinden elde edilen bilgilerin, kanser türü ve evresi, tıbbi geçmiş, laboratuvar sonuçları ve hastanın genel fonksiyonel durumu gibi mevcut göstergelerin ötesinde anlamlı bir değer ekleyip eklemediğini belirlemek için daha fazla araştırma yapılması gerekmektedir.

Bilimsel ve Etik Zorluklar Devam Ediyor

Ümit verici bulgulara rağmen, yüz analizi teknolojisinin rutin kanser bakımının bir parçası haline gelmesi için aşılması gereken birkaç engel bulunmaktadır.

Büyük bir zorluk, modellerin farklı popülasyonlar arasında tutarlı bir şekilde performans gösterip göstermediğini belirlemektir. Araştırma, büyük ölçüde yüksek gelirli ülkelerden gelen hastalara dayanıyordu ve bazı demografik gruplar diğerlerinden daha az temsil edildi. Bu sınırlamalar, potansiyel önyargılar ve teknolojinin farklı geçmişlere sahip hastalara uygulanması durumunda tahminlerin güvenilirliği hakkında sorular doğurmaktadır.

Araştırmacıların ayrıca, modellerin farklı klinik ortamlarda ve hasta popülasyonlarında güvenilir kalıp kalmadığını belirlemeleri gerekmektedir. Gerçek dünya ortamlarında performanslarını değerlendirmek ve tahminlerinin hasta bakımını iyileştirip iyileştiremeyeceğini belirlemek için prospektif çalışmalara ihtiyaç olacaktır.

Gizlilik de bir diğer husustur. Yüz fotoğrafları hassas kişisel bilgiler olup, bunların tıbbi yapay zeka sistemlerinde kullanımı, onay, veri koruma ve erişim ile ilgili uygun önlemleri gerektirir.

Her şeyden önce, teknoloji, bireyin hayatta kalmasının kesin bir tahmini olarak yanlış anlaşılmamalıdır. Kanser sonuçları, birçok etkileşimli faktöre bağlıdır ve algoritmik bir risk skoru, bir hastanın tıbbi durumunun her yönünü kapsayamaz.

Bir Araştırma Aracı, Doktorlar İçin Bir İkame Değil

FAHR-Face'in geliştirilmesi, yapay zekanın tıp uzmanlarına sunabileceği bilgi yelpazesini nasıl genişletebileceğini göstermektedir. Geleneksel bir muayene sırasında kolayca belirgin olmayabilecek kalıpları tanımlayarak, yüz analizi nihayetinde hasta savunmasızlığının daha kapsamlı değerlendirmelerine katkıda bulunabilir.

Ancak şu anda teknoloji bir araştırma aracıdır. Pratik değeri, daha fazla doğrulama, mevcut prognostik yöntemleri iyileştirip iyileştirmediği ve önyargı ile kötüye kullanıma karşı koruma sağlamasıyla belirlenecektir.

Temel soru artık sadece bir algoritmanın bir fotoğraftaki istatistiksel sinyalleri tanıyıp tanıyamayacağı değildir. Bu sinyallerin, ciddi bir tanı ile karşılaşan hastalar için yanlış bir kesinlik yaratmadan, doktorların daha iyi bilgilendirilmiş kararlar almasına yardımcı olup olamayacağıdır.

Gelecekteki çalışmalar anlamlı bir klinik fayda gösterirse, yüz analizi kişiselleştirilmiş onkolojinin ek bir bileşeni haline gelebilir. O zamana kadar, tıp uzmanları, bir AI tarafından üretilen bir skoru, bir hastanın geleceği hakkında bir hüküm olarak yorumlamak yerine kapsamlı değerlendirmelere dayanmak zorunda kalmalıdır.