شاهین آقامعلی
پژوهشگران به ابزار جدیدی مبتنی بر هوش مصنوعی دست یافته‌اند که می‌تواند با تحلیل تنها یک تصویر از چهره بیمار، اطلاعاتی درباره سن زیستی و احتمال زنده ماندن بیماران مبتلا به سرطان ارائه دهد. این فناوری که توسط محققان مؤسسه Mass General Brigham توسعه یافته، می‌تواند در آینده به پزشکان برای ارزیابی وضعیت بیماران و انتخاب روش درمانی مناسب کمک کند. نتایج این پژوهش در نشریه علمی The Lancet Digital Health منتشر شده است و نشان می‌دهد که تحلیل چهره با استفاده از هوش مصنوعی ممکن است به ابزاری مکمل برای پیش‌بینی پیامدهای درمان سرطان تبدیل شود؛ هرچند این فناوری هنوز برای استفاده گسترده در محیط‌های بالینی آماده نیست.
هوش مصنوعی چگونه از روی چهره خطر مرگ را پیش‌بینی می‌کند؟
مدل جدید با نام FAHR-Face، مخفف Foundation Artificial Intelligence for Health Recognition، با استفاده از بیش از ۴۰ میلیون تصویر چهره آموزش داده شده است. پژوهشگران بر اساس این مدل، دو ابزار مکمل توسعه داده‌اند: FAHR-FaceAge برای تخمین سن زیستی و FAHR-FaceSurvival برای پیش‌بینی پیامدهای بقا در بیماران مبتلا به سرطان.
سن تقویمی به تعداد سال‌هایی اشاره دارد که از زمان تولد فرد گذشته است؛ اما سن زیستی تلاش می‌کند تصویری از وضعیت جسمانی و روند پیری بدن ارائه دهد. این دو سن لزوماً یکسان نیستند و ممکن است فردی از نظر ظاهری یا شاخص‌های سلامت، پیرتر یا جوان‌تر از سن واقعی خود به نظر برسد. هوش مصنوعی با بررسی الگوهای موجود در تصویر چهره، نشانه‌هایی را شناسایی می‌کند که ممکن است با وضعیت سلامت و پیامدهای بیماری ارتباط داشته باشند. سپس مدل پیش‌بینی بقا، بر اساس اطلاعات آموخته‌شده از تصاویر بیماران، امتیازی برای ارزیابی خطر ارائه می‌دهد.
نتایج پژوهش چه چیزی را نشان می‌دهد؟
در این مطالعه، عملکرد مدل با استفاده از اطلاعات هزاران بیمار مبتلا به سرطان بررسی شد. یکی از یافته‌های مهم این بود که بیمارانی که سن تخمینی چهره آن‌ها به‌طور قابل‌توجهی بیشتر از سن تقویمی‌شان بود، در مجموع با پیامدهای نامطلوب‌تری روبه‌رو می‌شدند. بر اساس گزارش پژوهش، در یکی از گروه‌های آزمایشی شامل ۳۸۲۰ بیمار، از میان ۱۲۲ بیماری که بالاترین امتیاز خطر را دریافت کرده بودند، ۶۴ نفر طی ۹۰ روز پس از ثبت تصویر فوت کردند. این نتیجه نشان می‌دهد که مدل توانسته است گروهی از بیماران با خطر بالاتر را شناسایی کند؛ بااین‌حال، به‌تنهایی به معنای پیش‌بینی قطعی مرگ برای یک فرد نیست. پژوهشگران همچنین نتایج مدل را در یک گروه مستقل از بیماران در هلند بررسی کردند. این ارزیابی اهمیت دارد، زیرا عملکرد یک الگوریتم پزشکی باید فراتر از داده‌هایی که با آن آموزش دیده است نیز سنجیده شود.
کاربردهای احتمالی هوش مصنوعی در درمان سرطان
یکی از مهم‌ترین کاربردهای احتمالی این فناوری، کمک به پزشکان در تصمیم‌گیری‌های درمانی است. ارزیابی وضعیت عمومی بیمار، احتمال تحمل درمان‌های سنگین و پیش‌بینی پیامدهای احتمالی، از جمله عواملی هستند که در انتخاب روش درمان اهمیت دارند. تحلیل خودکار چهره می‌تواند در آینده اطلاعات مکملی در اختیار تیم پزشکی قرار دهد؛ به‌ویژه در شرایطی که دسترسی به اطلاعات پزشکی کامل محدود است. بااین‌حال، این ابزار قرار نیست جایگزین آزمایش‌ها، تصویربرداری‌های پزشکی، سوابق بالینی یا قضاوت تخصصی پزشکان شود.
محدودیت‌ها و چالش‌های این فناوری
با وجود نتایج امیدوارکننده، استفاده از هوش مصنوعی برای پیش‌بینی بقا از روی چهره با محدودیت‌هایی همراه است. بخشی از داده‌های مورد استفاده برای توسعه مدل از بیماران یک منطقه جغرافیایی مشخص در ایالات متحده به دست آمده‌اند؛ بنابراین، لازم است عملکرد آن در جمعیت‌های متنوع‌تر، گروه‌های سنی مختلف و مراکز درمانی گوناگون بررسی شود.همچنین، ارتباط میان ظاهر چهره و احتمال بقا لزوماً به این معنا نیست که الگوریتم علت اصلی تفاوت در پیامدهای درمان را شناسایی کرده است. عوامل متعددی مانند نوع سرطان، مرحله بیماری، وضعیت عمومی بدن و پاسخ به درمان بر احتمال بقا تأثیر می‌گذارند. حفظ حریم خصوصی تصاویر چهره، جلوگیری از تبعیض الگوریتمی و شفافیت در نحوه استفاده از امتیازهای خطر نیز از دیگر موضوعاتی هستند که باید پیش از استفاده گسترده از این فناوری مورد توجه قرار گیرند.
در مجموع، این پژوهش نمونه‌ای از گسترش کاربرد هوش مصنوعی در پزشکی است؛ حوزه‌ای که در آن الگوریتم‌های یادگیری عمیق می‌توانند از داده‌های ظاهراً ساده، اطلاعاتی ارزشمند برای پشتیبانی از تصمیم‌گیری پزشکی استخراج کنند. بااین‌حال، تا زمانی که دقت، قابلیت تعمیم و تأثیر واقعی این ابزار بر تصمیم‌های درمانی به‌طور گسترده تأیید نشود، باید آن را یک فناوری پژوهشی و مکمل دانست، نه روشی قطعی برای پیش‌بینی سرنوشت بیماران.
منبع خبر: scientificamerican
پاسخ :