بزرگنمايي:

سیاست و بازاریابی - ایسنا / یک عکس معمولی از چهره ممکن است اطلاعاتی درباره سن زیستی فرد و وضعیت سلامت او در اختیار هوش مصنوعی بگذارد. پژوهشی تازه بررسی کرده است که آیا می‌توان از چنین تصویری برای برآورد احتمال زنده‌ماندن افراد مبتلا به سرطان کمک گرفت یا نه.
سن تقویمی همان تعداد سال‌هایی است که از تولد فرد گذشته است، اما سن زیستی به وضعیت بدن و میزان پیرشدن آن اشاره دارد و ممکن است با سن تقویمی تفاوت داشته باشد. برخی افراد جوان‌تر یا مسن‌تر از سن واقعی‌شان به نظر می‌رسند. این تفاوت می‌تواند با عوامل گوناگون مرتبط باشد و شاید نشانه‌ای از وضعیت عمومی سلامت باشد. بررسی این موضوع اهمیت دارد، زیرا پزشکان برای انتخاب و تنظیم درمان سرطان به اطلاعاتی درباره وضعیت هر بیمار نیاز دارند. اگر تصویری ساده بتواند سرنخی درباره شرایط فرد فراهم کند، ممکن است در کنار دیگر اطلاعات پزشکی به ارزیابی دقیق‌تر کمک کند.
پیش‌بینی وضعیت بیماران سرطانی دشوار است و یک عامل به‌تنهایی نمی‌تواند آینده هر فرد را با قطعیت مشخص کند. بااین‌حال، روش‌هایی که اطلاعات موجود را به شکلی سریع و کم‌هزینه بررسی می‌کنند، ممکن است در آینده به پشتیبانی از تصمیم‌گیری‌های درمانی کمک کنند. چهره افراد نیز می‌تواند ویژگی‌هایی را نشان دهد که در نگاه معمولی به‌سادگی قابل اندازه‌گیری نیستند. پژوهش درباره چنین روشی از آن جهت مهم است که می‌سنجد آیا هوش مصنوعی می‌تواند از عکس چهره، نشانه‌هایی مرتبط با سن زیستی یا بقا را استخراج کند. البته این کاربرد هنوز نیازمند بررسی بیشتر است و به‌تنهایی نباید مبنای تصمیم‌گیری پزشکی قرار گیرد.
پژوهشگران دانشکده پزشکی هاروارد آمریکا در مطالعه‌ای تازه، دو ابزار هوش مصنوعی را بر پایه مدلی به نام «فهر-فیس» توسعه دادند. هدف آن‌ها این بود که هم سن زیستی افراد را از روی چهره برآورد کنند و هم احتمال بقا را مستقیماً از عکس پیش‌بینی کنند. این کار ادامه پژوهش پیشین همین گروه درباره مدلی به نام «فیس‌ایج» بود. مدل تازه با مجموعه‌ای بسیار بزرگ‌تر و متنوع‌تر از عکس‌ها آموزش داده شد.
مدل اصلی با بیش از ۴۰ میلیون عکس چهره عمومی آموزش داده شد؛ مجموعه‌ای که به گفته متن، تنوع قومی بیشتری داشت و بازه سنی گسترده‌تری را دربرمی‌گرفت. پژوهشگران از آن دو ابزار مکمل ساختند. ابزار نخست، «فهر-فیس‌ایج»، سن زیستی بیمار را برآورد می‌کرد و بر اساس آن به پیش‌بینی بقا کمک می‌کرد. ابزار دوم، «فهر-فیس‌سروایول»، احتمال بقا را مستقیماً از عکس چهره تخمین می‌زد، نه از راه برآورد سن زیستی. سپس این ابزارها در گروه‌هایی از بیماران مبتلا به سرطان که در ایالات متحده پرتودرمانی شده بودند، بررسی شدند.
در میان بیش از ۳۸ هزار بیمار سرطانی که پرتودرمانی دریافت کرده بودند، کسانی که بر اساس ابزار سن زیستی دست‌کم پنج سال پیرتر از سن واقعی‌شان به نظر می‌رسیدند، در دوره پیگیری میانگین چهارساله با خطر مرگ بیشتری روبه‌رو بودند. خطر مرگ در این گروه ۲۱ درصد بیشتر از دیگر بیماران گزارش شد. در مقابل، بیمارانی که دست‌کم پنج سال جوان‌تر از سن تقویمی خود به نظر می‌رسیدند، ۱۷ درصد خطر کمتری داشتند. این ارقام نشان‌دهنده ارتباط میان سن ظاهری برآوردشده و بقا در گروه بررسی‌شده‌اند و به‌تنهایی سرنوشت یک بیمار را تعیین نمی‌کنند.
ابزار پیش‌بینی مستقیم بقا برای نزدیک به چهار هزار بیمار امتیازی میان صفر و یک ارائه کرد؛ امتیاز بالاتر نشان‌دهنده خطر برآوردشده بیشتر بود. از میان بیمارانی که امتیاز بسیار بالای ۰٫۹ تا ۱ گرفتند، ۵۳ درصد، یعنی ۶۴ نفر از ۱۲۲ نفر، در ۹۰ روز جان باختند. در گروهی که امتیازشان میان صفر تا ۰٫۱ بود، این رقم دو درصد، یعنی ۲۰ نفر از ۹۷۵ نفر، گزارش شد. همچنین استفاده هم‌زمان از دو ابزار، پیش‌بینی بقا را دقیق‌تر از استفاده جداگانه از هرکدام کرد.
یافته‌های مطالعه که در نشریه «لنست دیجیتال هلث» منتشر شده‌اند، نشان دادند که برخی عادت‌های زندگی نیز با پیرتر به نظر رسیدن چهره ارتباط داشتند. مصرف زیاد الکل، مصرف مواد مخدر و سیگارکشیدن با سن زیستی بالاتر برآوردشده همراه بودند. در میان این عوامل، سیگار الگوی پررنگ‌تری داشت: افراد سیگاری فعلی پیرتر از کسانی به نظر می‌رسیدند که سیگار را ترک کرده بودند، و افراد سیگاری سابق نیز پیرتر از کسانی بودند که هرگز سیگار نکشیده بودند. این مشاهده رابطه میان سبک زندگی و ظاهر برآوردشده را نشان می‌دهد، اما به‌تنهایی ثابت نمی‌کند که هر یک از این عوامل مستقیماً باعث تغییر سن چهره شده‌اند.
اهمیت احتمالی این روش در آن است که عکس چهره گرفتن ساده است و ممکن است هزینه زیادی نداشته باشد. بر پایه یافته‌های گزارش‌شده، چنین تصویری می‌تواند روزی اطلاعاتی تکمیلی برای ارزیابی بیمار فراهم کند و به تصمیم‌گیری درمانی متناسب با شرایط هر فرد یاری برساند. اما این کاربرد فعلاً قطعی و آماده استفاده روزمره نیست. خود پژوهشگران تأکید کرده‌اند که پیش از به‌کارگیری این مدل‌ها در تصمیم‌های درمانی، بررسی‌های بیشتری لازم است. در نتیجه، نتایج را باید به‌عنوان نشانه‌ای امیدوارکننده از توان بالقوه ابزارهای هوش مصنوعی دید، نه جایگزینی برای ارزیابی پزشک یا دیگر داده‌های بالینی.