Ερευνητές αξιοποιούν εργαλεία τεχνητής νοημοσύνης (AI) για να αναλύουν απλές φωτογραφίες προσώπου και να εντοπίζουν βασικούς δείκτες υγείας. Ερευνητές του Mass General Brigham δημιούργησαν το FAHR-Face (Foundation Artificial Intelligence for Health Recognition), ένα μεγάλο μοντέλο θεμελίωσης τεχνητής νοημοσύνης, το οποίο εκπαιδεύτηκε σε περισσότερες από 40 εκατομμύρια εικόνες προσώπων.
Με βάση το μοντέλο ανέπτυξαν δύο συμπληρωματικά εργαλεία: το FAHR-FaceAge, που εκτιμά τη βιολογική ηλικία ενός ασθενούς με μεγαλύτερη ακρίβεια από προηγούμενους αλγορίθμους εκτίμησης ηλικίας, και το FAHR-FaceSurvival, που προβλέπει άμεσα την έκβαση επιβίωσης ασθενών με καρκίνο από μια φωτογραφία προσώπου.
Η μελέτη ανάπτυξης και επικύρωσης του μοντέλου έδειξε ότι η απόκλιση ανάμεσα στην ηλικία που εκτιμά το FAHR-FaceAge και τη χρονολογική ηλικία του ασθενούς συνδεόταν ανεξάρτητα με την επιβίωση. Έδειξε επίσης ότι τα εργαλεία είναι ανθεκτικά σε συνήθεις διαφοροποιήσεις των φωτογραφιών. Η μελέτη δημοσιεύτηκε στο The Lancet Digital Health.
Υποστήριξη εξατομικευμένων θεραπευτικών αποφάσεων
«Καθώς ο πληθυσμός γερνά, οι γιατροί χρειάζονται καλύτερους τρόπους για να εκτιμούν τα σωματικά αποθέματα και την ευπάθεια πριν προτείνουν εντατικές θεραπείες, όπως ακτινοθεραπεία, χειρουργική επέμβαση ή συστηματική θεραπεία», δήλωσε ο Raymond Mak, επικεφαλής συγγραφέας της μελέτης, ακτινοθεραπευτής ογκολόγος στο Mass General Brigham Cancer Institute και μέλος του διδακτικού προσωπικού του προγράμματος Artificial Intelligence in Medicine (AIM) στο Mass General Brigham.
«Στόχος μας είναι να κάνουμε την αξιολόγηση της υγείας με βάση φωτογραφίες προσώπου πιο ποσοτική, συνεπή και εφαρμόσιμη σε μεγάλη κλίμακα, ώστε να υποστηρίζει εξατομικευμένες θεραπευτικές αποφάσεις και όχι να αντικαθιστά την κρίση του γιατρού».
«Η βασική τεχνική πρόοδος είναι ότι το FAHR-Face μαθαίνει μια γενική αναπαράσταση του προσώπου από περισσότερες από 40 εκατομμύρια εικόνες, η οποία στη συνέχεια μπορεί να προσαρμοστεί σε διαφορετικές εκβάσεις υγείας, όπως η βιολογική ηλικία και η επιβίωση», δήλωσε ο Hugo Aerts, συν-επικεφαλής συγγραφέας και διευθυντής του AIM στο Mass General Brigham.
«Αυτή η προσέγγιση των μοντέλων θεμελίωσης μάς δίνει έναν τρόπο ανάπτυξης πολλαπλών βιοδεικτών υγείας από το πρόσωπο, με δυνατότητα εφαρμογής σε μεγάλη κλίμακα, αντί να εκπαιδεύουμε κάθε μοντέλο από την αρχή».
Διαφορετικά χαρακτηριστικά του προσώπου συνδέονται με την πρόβλεψη επιβίωσης
Παρότι τα FAHR-FaceAge και FAHR-FaceSurvival προήλθαν από το ίδιο μοντέλο θεμελίωσης, αποτύπωσαν διαφορετικές και συμπληρωματικές πληροφορίες για την υγεία του ασθενούς. Οι προβλέψεις τους είχαν ασθενή συσχέτιση μεταξύ τους, ενώ και οι δύο παρέμειναν ανεξάρτητα συνδεδεμένες με την επιβίωση όταν αναλύθηκαν ταυτόχρονα. Ο συνδυασμός των δύο μετρήσεων βελτίωσε περαιτέρω την προσαρμογή του μοντέλου επιβίωσης σε εξωτερική ομάδα επικύρωσης ασθενών με καρκίνο.
Κάθε αλγόριθμος βασίστηκε επίσης σε διαφορετικές περιοχές του προσώπου για τις αντίστοιχες προβλέψεις ηλικίας και κινδύνου θανάτου. Το FAHR-FaceAge εστιάζει στις ρινοχειλικές αύλακες, στην περιοχή του μετώπου ακριβώς πάνω από τους οφθαλμικούς κόγχους και στους κροτάφους, ενώ το FAHR-FaceSurvival αξιολογεί την περιοχή κάτω από τα μάτια και γύρω από τη ρινική γέφυρα.
«Το FAHR-FaceSurvival προωθεί περαιτέρω τον τομέα της τεχνητής νοημοσύνης για την αναγνώριση της υγείας από το πρόσωπο, καθώς μαθαίνει να εκτιμά άμεσα τον κίνδυνο επιβίωσης από φωτογραφίες προσώπου ασθενών με καρκίνο», δήλωσε ο Aerts. «Από όσο γνωρίζουμε, αυτή είναι η πρώτη απόδειξη ότι ένα μοντέλο τεχνητής νοημοσύνης μπορεί να προβλέψει άμεσα την επιβίωση από καρκίνο με βάση μια απλή φωτογραφία».
Συνήθειες ζωής και σταθερότητα σε διαφορετικές φωτογραφίες
Οι ερευνητές διαπίστωσαν επίσης ότι παράγοντες του τρόπου ζωής επηρεάζουν τη γήρανση του προσώπου. Για παράδειγμα, η μεγάλη κατανάλωση αλκοόλ, η χρήση ναρκωτικών και το κάπνισμα συνδέονταν με μεγαλύτερη βιολογική ηλικία στην όψη. Η ισχυρότερη συσχέτιση παρατηρήθηκε με το κάπνισμα: οι νυν καπνιστές έδειχναν μεγαλύτεροι από τους πρώην καπνιστές, οι οποίοι με τη σειρά τους έδειχναν μεγαλύτεροι από όσους δεν είχαν καπνίσει ποτέ.
«Ένα ακόμη εύρημα που μας εξέπληξε ήταν η συνέπεια του FAHR-FaceAge σε συνήθεις διαφοροποιήσεις των φωτογραφιών της καθημερινότητας, όπως η στάση, ο φωτισμός, η έκφραση του προσώπου και το μακιγιάζ», σημείωσε ο Mak. «Παρέμεινε επίσης σταθερό στις περισσότερες από τις επεμβάσεις πλαστικής χειρουργικής που εξετάστηκαν, με μικρή μόνο μετατόπιση μετά τη ρινοπλαστική».
Η ομάδα διευρύνει επίσης την έρευνα μέσω της μελέτης FaceAge Research Study, μιας διαδικτυακής μελέτης εγκεκριμένης από επιτροπή δεοντολογίας και ανοιχτής στο κοινό. Οι συμμετέχοντες μπορούν να ανεβάσουν φωτογραφία προσώπου και να λάβουν τη δική τους ερευνητική αξιολόγηση FaceAge, ενώ παράλληλα συνεισφέρουν δεδομένα που θα βοηθήσουν τους ερευνητές να βελτιώσουν και να επικυρώσουν μετρήσεις της γήρανσης του προσώπου και της υγείας με βάση την τεχνητή νοημοσύνη, σε μεγαλύτερους και πιο ποικιλόμορφους πληθυσμούς.
«Foundation Artificial Intelligence Models for Health Recognition Using Face Photographs (FAHR-Face): a model development and validation study», The Lancet Digital Health (2026). DOI: 10.1016/j.landig.2026.101056.
Οι θεραπευτικές αποφάσεις πρέπει να λαμβάνονται σε συνεργασία με τον γιατρό.
Το άρθρο στο ygeiax.gr: https://www.ygeiax.gr/health/techniti-noimosyni-analyei-fotografies-prosopoy-gia-tin-ektimisi-ilikias-kai-epiviosis-asthenon/24572
