Φανταστείτε μια απλή σέλφι να μπορούσε να αποκαλύψει κάτι περισσότερο από την έκφραση του προσώπου σας — φανταστείτε να μπορούσε να ξεκλειδώσει μυστικά για τη βιολογική ηλικία σας και την προοπτική της υγείας σας. Σε αυτή την πρωτοποριακή μελέτη, οι ερευνητές αξιοποίησαν τη μάθηση για να αποκωδικοποιήσουν πρότυπα του προσώπου, μετατρέποντας τα πορτρέτα σε βιοδείκτες που προβλέπουν τη συνολική υγεία και τον κίνδυνο θανάτου στους καρκινοπαθείς. Τα πρώιμα ευρήματα υποδηλώνουν έναν κόσμο όπου μια γρήγορη φωτογραφία μπορεί να καθοδηγήσει θεραπευτικές προσεγγίσεις. Καθώς η τεχνητή νοημοσύνη συναντά την ανθρώπινη κρίση, το πρόσωπο γίνεται κάτι περισσότερο από καθρέφτης της ψυχής — γίνεται στοιχείο που μπορεί να αξιοποιηθεί για εξατομικευμένη ιατρική φροντίδα.
FaceAge: Νέο εργαλείο με τεχνητή νοημοσύνη αναγνωρίζει την βιολογική ηλικία και την υγεία μας από μία σέλφι
Καθημερινά, οι κλινικοί γιατροί βασίζονται σε αμέτρητες ενδείξεις — τιμές εργαστηριακών εξετάσεων, απεικονιστικές εξετάσεις, ακόμη και στις λεπτές γραμμές στο πρόσωπο ενός ασθενούς — για να εκτιμήσουν τη γενική υγεία και να καταλήξουν σε θεραπευτικές προσεγγίσεις. Τώρα, οι εξελίξεις στην τεχνητή νοημοσύνη μετατρέπουν αυτές τις διαισθητικές εκτιμήσεις σε ποσοτικοποιήσιμες γνώσεις.
Σε αυτή τη μελέτη, οι ερευνητές του Mass General Brigham παρουσιάζουν το FaceAge, ένα μοντέλο βαθιάς μάθησης που μαθαίνει από χιλιάδες «υγιή» πρόσωπα ώστε να εκτιμήσει τη βιολογική ηλικία ενός ατόμου από μια απλή φωτογραφία. Μεταφράζοντας τα πρότυπα του προσώπου σε έναν νέο βιοδείκτη, το FaceAge υπόσχεται ένα μη επεμβατικό παράθυρο στην πορεία της υγείας ενός ατόμου — με πιθανότητες να αναδιαμορφώσει τον τρόπο που προβλέπουμε τα αποτελέσματα και εξατομικεύουμε την ιατρική φροντίδα.
Εργαλεία που προβλέπουν τη συνολική υγεία και την ταχύτητα γήρανσης, σύμφωνα με μελέτες
Η σύγχρονη έρευνα έχει παράγει μια σειρά από μεθόδους — που συχνά αποκαλούνται «ρολόγια» ή βαθμολογίες κινδύνου — οι οποίες βοηθούν στην εκτίμηση της πραγματικής βιολογικής σας ηλικίας και του μελλοντικού κινδύνου νόσων. Με απλούς όρους, ορίστε τι κάνει η καθεμία:
- Ρολόγια μεθυλίωσης DNA (επιγενετικά): Εξετάζουν μικροσκοπικές χημικές ετικέτες στο DNA σας για να εκτιμήσουν πόσο «παλιά» φαίνονται τα κύτταρά σας, κάτι που συχνά προβλέπει την υγεία καλύτερα από την ημερολογιακή ηλικία.
- Ρολόγια πρωτεϊνών (πρωτεομική): Μετρούν δεκάδες έως χιλιάδες πρωτεΐνες στο αίμα σας· οι μεταβολές σε αυτές αποκαλύπτουν πόσο γρήγορα γερνά το σώμα σας και πόσο πιθανό είναι να αναπτύξετε χρόνιες ασθένειες.
- Ρολόγια μεταβολιτών (μεταβολομική): Παρακολουθούν μικρά μόρια που παράγει ο μεταβολισμός σας — όπως λίπη και σάκχαρα — για να δημιουργήσουν έναν δείκτη ηλικίας που δείχνει φθορά συγκεκριμένων οργάνων και βραχυπρόθεσμους κινδύνους για την υγεία.
- Ρολόγια γονιδιακής έκφρασης (μεταγραφική): Χρησιμοποιούν τα επίπεδα RNA (τα μηνύματα που στέλνουν τα γονίδιά σας) σε δείγματα αίματος ή ιστών για να συναγάγουν την κυτταρική υγεία και λειτουργική ικανότητα.
- Βαθμολογίες γενετικού κινδύνου: Συνδυάζουν πληροφορίες από εκατομμύρια γενετικές παραλλαγές για να υπολογίσουν τον κληρονομικό σας κίνδυνο για παθήσεις όπως καρδιοπάθεια ή διαβήτης — συχνά με επίδραση συγκρίσιμη με σπάνιες μεταλλάξεις.
- Μηχανική μάθηση βασισμένη σε ιατρικό φάκελο: Εφαρμόζει τεχνητή νοημοσύνη στα δεδομένα του ιατρικού σας φακέλου (εργαστηριακά, απεικονίσεις, επισκέψεις) για να προβλέψει αποτελέσματα όπως επανεισαγωγή στο νοσοκομείο ή θνησιμότητα μέσα στον επόμενο χρόνο.
- Ενσωμάτωση πολλαπλών «omics»: Συνδυάζει δύο ή περισσότερα από τα παραπάνω — για παράδειγμα, DNA μεθυλίωση με πρωτεομική — ώστε να παραχθεί μια πιο ολοκληρωμένη, εξατομικευμένη εικόνα της γήρανσης και του κινδύνου νόσου.
Κάθε προσέγγιση δίνει βάση σε διαφορετικές πτυχές της υγείας, και μαζί ανοίγουν τον δρόμο για πραγματικά εξατομικευμένη πρόληψη και θεραπεία.
FaceAge: Βιοδείκτης προσώπου βασισμένος στην τεχνητή νοημοσύνη προβλέπει τη βιολογική ηλικία και την επιβίωση από καρκίνο
Τα μάτια μπορεί να είναι ο καθρέφτης της ψυχής, αλλά η βιολογική ηλικία ενός ατόμου θα μπορούσε να αντανακλάται στα χαρακτηριστικά του προσώπου. Οι ερευνητές από το Mass General Brigham ανέπτυξαν έναν αλγόριθμο βαθιάς μάθησης που ονομάζεται FaceAge και χρησιμοποιεί μια φωτογραφία του προσώπου κάποιου για να προβλέψει τη βιολογική του ηλικία και την πιθανότητα επιβίωσης για ασθενείς με καρκίνο.
Διαπίστωσαν ότι οι ασθενείς με καρκίνο είχαν, κατά μέσο όρο, υψηλότερο FaceAge από εκείνους χωρίς καρκίνο και έμοιαζαν περίπου πέντε χρόνια μεγαλύτεροι από την πραγματική τους ηλικία. Οι μεγαλύτερες εκτιμήσεις FaceAge συσχετίστηκαν με χειρότερη συνολική επιβίωση σε πολλούς τύπους καρκίνου. Διαπίστωσαν επίσης ότι το FaceAge ξεπέρασε τους κλινικούς γιατρούς στην πρόβλεψη του βραχυπρόθεσμου προσδόκιμου ζωής ασθενών που έκαναν ακτινοθεραπεία. Τα αποτελέσματά τους δημοσιεύονται στο The Lancet Digital Health.
«Μπορούμε να χρησιμοποιήσουμε την τεχνητή νοημοσύνη (AI) για να εκτιμήσουμε τη βιολογική ηλικία ενός ατόμου από φωτογραφίες προσώπου, και η μελέτη μας δείχνει ότι αυτή η πληροφορία μπορεί να έχει κλινική σημασία», δήλωσε ο Αμερικανός συν-επικεφαλής και συγγραφέας Hugo Aerts, PhD, διευθυντής του προγράμματος Artificial Intelligence in Medicine (AIM) στο Mass General Brigham, σύμφωνα με το Neuroscience News.
«Αυτή η εργασία αποδεικνύει ότι μια φωτογραφία, όπως μια απλή σέλφι, περιέχει σημαντικές πληροφορίες που θα μπορούσαν να βοηθήσουν στην καθοδήγηση των κλινικών αποφάσεων και των σχεδίων φροντίδας για ασθενείς και γιατρούς. Το πόσο μεγάλος φαίνεται κάποιος σε σύγκριση με την πραγματική του ηλικία έχει πραγματική σημασία — τα άτομα με FaceAge μικρότερο από τη χρονολογική τους ηλικία τα πάνε σημαντικά καλύτερα μετά τη θεραπεία για καρκίνο».
AI: Μπορεί η τεχνητή νοημοσύνη να κάνει διάγνωση δερματικών παθήσεων;
Ηλικιακή προκατάληψη στην ογκολογία: Ανάλυση προσώπου με AI βοηθά στην αντικειμενική αξιολόγηση των ασθενών
Όταν οι ασθενείς μπαίνουν στα εξεταστικά δωμάτια, η εμφάνισή τους μπορεί να δώσει στους γιατρούς ενδείξεις για τη γενική τους υγεία και «ζωντάνια». Αυτές οι διαισθητικές αξιολογήσεις, σε συνδυασμό με τη χρονολογική ηλικία του ασθενούς και πολλά άλλα βιολογικά μέτρα, μπορεί να βοηθήσουν στον καθορισμό της καλύτερης θεραπευτικής προσέγγισης.
Ωστόσο, όπως όλοι, οι γιατροί μπορεί να έχουν προκαταλήψεις σχετικά με την ηλικία ενός ατόμου, γεγονός που μπορεί να τους επηρεάζει, ενισχύοντας την ανάγκη για πιο αντικειμενικά, προβλεπτικά μέτρα για να καθοδηγήσουν τις θεραπευτικές αποφάσεις. Με αυτόν τον στόχο, οι ερευνητές του Mass General Brigham αξιοποίησαν τη βαθιά μάθηση και τις τεχνολογίες αναγνώρισης προσώπου για να εκπαιδεύσουν το FaceAge. Το εργαλείο εκπαιδεύτηκε με 58.851 φωτογραφίες ατόμων που θεωρούνται υγιή από δημόσια σύνολα δεδομένων.
Η ομάδα δοκίμασε τον αλγόριθμο σε μια ομάδα 6.196 ασθενών με καρκίνο από δύο κέντρα, χρησιμοποιώντας φωτογραφίες που λαμβάνονται συνήθως στην αρχή της ακτινοθεραπείας. Τα αποτελέσματα έδειξαν ότι οι ασθενείς με καρκίνο φαίνονται σημαντικά μεγαλύτεροι από όσους δεν έχουν καρκίνο, και το FaceAge τους, κατά μέσο όρο, ήταν περίπου πέντε χρόνια μεγαλύτερο από τη χρονολογική τους ηλικία.
Στην ομάδα ασθενών με καρκίνο, τα μεγαλύτερα FaceAge συσχετίστηκαν με χειρότερα αποτελέσματα επιβίωσης, ειδικά σε άτομα που φαίνονταν μεγαλύτερα από 85 ετών, ακόμη και μετά από προσαρμογή για τη χρονολογική ηλικία, το φύλο και τον τύπο καρκίνου. Ο εκτιμώμενος χρόνος επιβίωσης στο τέλος της ζωής είναι δύσκολο να καθοριστεί αλλά έχει σημαντικές θεραπευτικές επιπτώσεις στη φροντίδα καρκινοπαθών. Η ομάδα ζήτησε από 10 κλινικούς γιατρούς και ερευνητές να προβλέψουν το βραχυπρόθεσμο προσδόκιμο ζωής από 100 φωτογραφίες ασθενών που έκαναν ακτινοθεραπεία.
Το FaceAge ενισχύει τις προβλέψεις των γιατρών και καθοδηγεί μελλοντική έρευνα
Παρόλο που υπήρχε μεγάλη ποικιλία στις επιδόσεις τους, συνολικά, οι προβλέψεις των κλινικών γιατρών ήταν μόνο ελαφρώς καλύτερες από το τυχαίο αποτέλεσμα, ακόμη και όταν τους δόθηκε κλινικό πλαίσιο, όπως η χρονολογική ηλικία του ασθενούς και η κατάσταση του καρκίνου. Ωστόσο, όταν στους γιατρούς δόθηκαν επιπλέον πληροφορίες FaceAge του ασθενούς, οι προβλέψεις τους βελτιώθηκαν σημαντικά.
Απαιτείται περαιτέρω έρευνα πριν αυτή η τεχνολογία θεωρηθεί κατάλληλη για χρήση σε πραγματικό κλινικό περιβάλλον. Η ερευνητική ομάδα δοκιμάζει αυτή την τεχνολογία για την πρόβλεψη νόσων, της γενικής κατάστασης υγείας και του προσδόκιμου ζωής. Οι μελέτες παρακολούθησης περιλαμβάνουν την επέκταση αυτής της εργασίας σε διάφορα νοσοκομεία, την εξέταση ασθενών σε διαφορετικά στάδια καρκίνου, την παρακολούθηση των εκτιμήσεων FaceAge με την πάροδο του χρόνου και τον έλεγχο της ακρίβειάς του σε σύνολα δεδομένων από πλαστική χειρουργική και μακιγιάζ.
«Αυτό ανοίγει την πόρτα σε ένα εντελώς νέο πεδίο ανακάλυψης βιοδεικτών από φωτογραφίες και το δυναμικό του υπερβαίνει κατά πολύ τη φροντίδα του καρκίνου ή την πρόβλεψη της ηλικίας», δήλωσε ο συν-επικεφαλής συγγραφέας Ray Mak, MD, μέλος του προγράμματος AIM στο Mass General Brigham.
Δημήτρης Βαρτζόπουλος: «Επικίνδυνο» να χρησιμοποιηθεί η τεχνητή νοημοσύνη στην ψυχιατρική
«Καθώς όλο και περισσότερο θεωρούμε τις χρόνιες ασθένειες ως ασθένειες της γήρανσης, γίνεται ακόμη πιο σημαντικό να μπορούμε να προβλέπουμε με ακρίβεια την πορεία γήρανσης ενός ατόμου. Ελπίζω τελικά να μπορέσουμε να χρησιμοποιήσουμε αυτή την τεχνολογία ως σύστημα πρώιμης ανίχνευσης σε μια ποικιλία εφαρμογών, μέσα σε ένα ισχυρό ρυθμιστικό και ηθικό πλαίσιο, ώστε να βοηθήσουμε να σωθούν ζωές».
Πηγές: Neuroscience News, The Lancet, PubMed, Nature, Nature (2), Nature (3), Nature (4), PMC, Cornell University