مدلی از هوش مصنوعی که با یک عکس چهره، احتمال زنده‌ماندن بیماران سرطانی را پیش‌بینی می‌کند
پژوهشگران در حال بررسی این موضوع هستند که چگونه می‌توان از هوش مصنوعی برای پیش‌بینی احتمال زنده‌ماندن افراد مبتلا به سرطان، تنها با استفاده از یک عکس چهره، بهره گرفت.
پژوهشگران مرکز پزشکی ماس جنرال بریگام در بوستون، یک مدل پایه و بزرگ هوش مصنوعی به نام FAHR-Face طراحی کرده‌اند. این نام مخفف عبارت «هوش مصنوعی پایه برای تشخیص وضعیت سلامت» است. این مدل با بیش از ۴۰ میلیون تصویر چهره آموزش دیده است.
نسخه اولیه این مدل، با نام FAHR-FaceAge، سن زیستی افراد را پیش‌بینی می‌کرد؛ یعنی میزان پیرشدن بدن در سطح سلولی، برخلاف سن تقویمی که بر اساس تعداد سال‌های عمر محاسبه می‌شود. یافته‌های جدید که روز دوشنبه در مجله لنست دیجیتال هلث منتشر شدند، نسخه دقیق‌تری از این مدل را معرفی می‌کنند.
پژوهشگران همچنین نسخه دومی از مدل را با تنظیم دقیق‌تر آموزش دادند. این نسخه که FAHR FaceSurvival نام دارد، با استفاده از ۳۴ هزار تصویر چهره افراد مبتلا به سرطان آموزش دیده است. FaceSurvival توانست احتمال زنده‌ماندن بیماران سرطانی را اساساً تنها از روی یک عکس سلفی پیش‌بینی کند.
هوگو آئرتس، یکی از دو نویسنده ارشد این پژوهش، در اطلاعیه خبری گفت: «FAHR-FaceSurvival با یادگیری مستقیم خطر مرگ‌ومیر از روی عکس‌های چهره بیماران سرطانی، گام دیگری در پیشرفت هوش مصنوعی برای تشخیص وضعیت سلامت از چهره برداشته است. تا آنجا که می‌دانیم، این نخستین بار است که نشان داده می‌شود یک مدل هوش مصنوعی می‌تواند احتمال زنده‌ماندن بیمار سرطانی را مستقیماً از روی یک عکس ساده پیش‌بینی کند.»
آئرتس همچنین مدیر بخش هوش مصنوعی در پزشکی در مرکز ماس جنرال بریگام است.
مدل FaceSurvival برای پیش‌بینی احتمال زنده‌ماندن بیماران، ویژگی‌های چهره، از جمله چین‌وچروک‌های امتداد‌یافته از بینی تا دهان و خطوط اطراف چشم را بررسی می‌کرد. حدود نیمی از بیماران سرطانی که امتیاز FaceSurvival آن‌ها در بالاترین ۱۰ درصد قرار داشت، ظرف سه ماه جان باختند. در مقابل، حدود ۲ درصد از بیمارانی که امتیازشان در پایین‌ترین ۱۰ درصد بود، طی ۹۰ روز فوت کردند.
پژوهشگران همچنین دریافتند افرادی که سن زیستی آن‌ها از سن تقویمی‌شان بیشتر است، بیشتر در معرض پیامدهای نامطلوب سرطان قرار دارند.
دکتر ریموند مک، متخصص پرتودرمانی در مؤسسه سرطان ماس جنرال بریگام، در همان اطلاعیه خبری گفت: «با افزایش سن جمعیت، پزشکان به روش‌های بهتری برای ارزیابی توان جسمی و میزان شکنندگی بیماران پیش از توصیه درمان‌های سنگینی مانند پرتودرمانی، جراحی یا درمان‌های سیستمیک نیاز دارند. هدف ما این است که ارزیابی وضعیت سلامت بر اساس عکس چهره را به روشی کمّی‌تر، باثبات‌تر و قابل‌استفاده در مقیاس گسترده تبدیل کنیم تا بتواند از تصمیم‌گیری درباره درمان متناسب با شرایط هر بیمار پشتیبانی کند، نه اینکه جایگزین قضاوت پزشک شود.»
به گفته پژوهشگران، عوامل مرتبط با سبک زندگی، از جمله سیگارکشیدن و مصرف مواد مخدر، بر ویژگی‌های چهره تأثیر می‌گذارند و باعث می‌شوند افراد در عکس‌ها مسن‌تر به نظر برسند. با این حال، هنوز مشخص نیست هوش مصنوعی دقیقاً چگونه سن زیستی و پیامدهای سرطان را از روی تصاویر چهره تعیین می‌کند.
سوچی ساریا، مدیر آزمایشگاه یادگیری ماشین و مراقبت سلامت در دانشگاه جانز هاپکینز که در این پژوهش مشارکت نداشته است، به واشنگتن پست گفت: «یکی از پرسش‌های بی‌پاسخ و جذاب این است که الگوریتم دقیقاً چه چیزی را می‌بیند. هنوز نمی‌دانیم کدام ویژگی‌های فیزیولوژیک در این نواحی از چهره حامل این اطلاعات هستند. درک این موضوع به ما کمک می‌کند مشخص کنیم آیا مدل در حال شناسایی یک نشانگر زیستی واقعاً جدید است یا صرفاً جلوه‌های قابل‌مشاهده بیماری را که پزشکان از قبل می‌شناسند، کمّی‌سازی می‌کند.»
اما اما پیرسون، استادیار علوم رایانه و عضو هیئت علمی دانشگاه کالیفرنیا در برکلی، در گفت‌وگو با واشنگتن پست نگرانی خود را درباره احتمال سوگیری نژادی این مدل مطرح کرد.
پیرسون که در این پژوهش مشارکت نداشته است، گفت: «هر بار که مدلی را با استفاده از چهره افراد آموزش می‌دهید، در واقع نژاد بیماران را نیز به‌طور ضمنی وارد پیش‌بینی‌های مدل می‌کنید.»
از آنجا که گروه‌های نژادی مختلف در طول تاریخ از دسترسی برابر به خدمات درمانی باکیفیت برخوردار نبوده‌اند، پیامدهای سلامت در میان آن‌ها متفاوت است. پیرسون هشدار داد که آموزش هوش مصنوعی با استفاده از تصاویر چهره می‌تواند به معنای «رمزگذاری سوگیری نژادی در مدل» باشد.