Yapay zekâ, tek yüz fotoğrafından kanser hastalarında sağkalım riskini analiz ediyor

Mass General Brigham araştırmacıları, tek bir yüz fotoğrafından kanser hastalarının biyolojik yaşını ve hastalığa bağlı sağkalım riskini analiz edebilen yapay zekâ tabanlı iki araç geliştirdi. The Lancet Digital Health dergisinde yayımlanan model geliştirme ve doğrulama çalışmasında kullanılan FAHR-Face sistemi, 40 milyondan fazla yüz görüntüsüyle eğitildi.

Araştırma, sistemin hastanın ölüm zamanını kesin biçimde belirlediğini göstermiyor. Bulgular, yüz görüntülerinden elde edilen yapay zekâ skorlarının kanser hastalarında ölüm riskiyle ilişkili olabileceğine işaret ediyor. Araştırmacılar, teknolojinin hekim kararlarının yerine geçmesini değil, özellikle yoğun tedaviler öncesinde hastanın genel fiziksel durumunu değerlendirmeye yardımcı olmasını hedefliyor.

FAHR-FACE MODELİ 40 MİLYONDAN FAZLA GÖRÜNTÜYLE EĞİTİLDİ

Mass General Brigham bünyesindeki ekip tarafından geliştirilen FAHR-Face, yüz görüntülerinden genel özellikleri öğrenmek üzere oluşturulan bir temel yapay zekâ modeli olarak tanımlanıyor. Modelin geliştirilmesinde 40 milyondan fazla yüz fotoğrafından yararlanıldı. Araştırmacılar daha sonra bu temel modeli iki farklı göreve uyarladı.

FAHR-FaceAge adlı araç biyolojik yaş tahmini yaparken, FAHR-FaceSurvival adlı araç kanser hastalarının yüz görüntülerinden sağkalımla ilişkili risk örüntülerini analiz ediyor. Sağkalım tahmini için kullanılan model, kanser hastalarına ait 34 bin 363 fotoğrafla geliştirildi ve sonuçları iki bağımsız hasta veri setinde test edildi.

YAPAY ZEKÂ YÜZÜN FARKLI BÖLGELERİNE ODAKLANIYOR

Çalışmada iki modelin aynı temel yapıdan türemesine rağmen yüzün farklı bölgelerinden bilgi aldığı belirtildi. Biyolojik yaş tahmini yapan FAHR-FaceAge; burun kenarlarından ağız köşelerine uzanan nazolabial kıvrımlara, gözlerin üzerindeki alın bölgesine ve şakaklara odaklandı.

Kanserle ilişkili sağkalım riskini değerlendiren FAHR-FaceSurvival ise gözlerin altındaki bölge ile burun köprüsü çevresindeki görsel özellikleri daha belirleyici buldu. Araştırmacılar, modelin bu bölgelerde hangi biyolojik işaretleri değerlendirdiğinin henüz tamamen açıklanamadığını vurguluyor.

Bu ayrım, iki aracın aynı bilgiyi tekrarlamadığını gösteren bulgularla da desteklendi. Modellerin tahminleri birbiriyle yalnızca zayıf düzeyde ilişkili çıktı ve her iki skor da birlikte değerlendirildiğinde sağkalımla bağımsız biçimde bağlantılı bulundu. İki ölçümün bir arada kullanılması, dış doğrulama grubunda sağkalım tahminine ilişkin istatistiksel modeli iyileştirdi.

YÜKSEK RİSK GRUBUNDA ÖLÜM OLASILIĞI DAHA FAZLA ÇIKTI

Çalışmanın sonuçlarına göre FAHR-FaceSurvival tarafından en yüksek risk grubunda sınıflandırılan hastalarda ölüm riski, en düşük risk grubundakilere kıyasla anlamlı biçimde daha yüksekti. Araştırmacıların bildirdiği düzeltilmiş tehlike oranı 3,23 olarak hesaplandı ve sonuç istatistiksel açıdan anlamlı bulundu.

Bu oran, yüksek risk grubundaki hastaların takip sürecinde ölümle karşılaşma riskinin düşük risk grubuna göre daha yüksek olduğunu gösteren bir istatistiksel ilişkiyi ifade ediyor. Ancak bu sonuç, yapay zekânın tek başına bir hasta için kesin yaşam süresi belirlediği anlamına gelmiyor. Modelin çıktıları, klinik bulgular ve diğer tıbbi değerlendirmelerle birlikte ele alınması gereken prognostik bir gösterge niteliğinde.

BİYOLOJİK YAŞ İLE TAKVİM YAŞI ARASINDAKİ FARK ÖNEM TAŞIYOR

FAHR-FaceAge, kişinin doğum tarihine dayalı takvim yaşıyla yüz görüntüsünden tahmin edilen biyolojik yaş arasındaki farkı değerlendirmeye imkân sağlıyor. Araştırmada bu farkın, kanser hastalarında sağkalımla bağımsız biçimde ilişkili olduğu görüldü.

Takvim yaşından daha yaşlı görünen hastaların tedavi sürecindeki risk profilinin daha olumsuz olabildiği, biyolojik yaşı daha genç hesaplanan hastalarda ise bu ölçümün tamamlayıcı prognostik bilgi sağlayabildiği bildirildi. Bununla birlikte araştırmacılar, yüz görüntüsünden elde edilen yaş tahmininin biyolojik yaşın tüm yönlerini ölçen kapsamlı bir tıbbi test olarak değerlendirilmemesi gerektiğine dikkat çekiyor.

SİGARA VE DİĞER YAŞAM TARZI ETKENLERİ YÜZ YAŞLANMASIYLA İLİŞKİLENDİRİLDİ

Araştırmada yaşam tarzı etkenlerinin yüz görüntülerindeki biyolojik yaşlanma işaretleriyle bağlantısı da incelendi. Sigara kullanımı, yüzün biyolojik olarak daha yaşlı görünmesiyle en güçlü ilişki gösteren faktör olarak öne çıktı. Mevcut sigara kullanıcılarının eski kullanıcılara, eski kullanıcıların da hiç kullanmamış kişilere kıyasla daha yaşlı göründüğü bildirildi.

Yoğun alkol kullanımı ve madde kullanımı da daha ileri biyolojik yüz yaşıyla ilişkilendirilen diğer etkenler arasında yer aldı. Bu bulgular, söz konusu alışkanlıkların her hasta için doğrudan klinik sonuç doğurduğunu kanıtlamıyor; yalnızca araştırmada yüz yaşlanması skorlarıyla gözlenen istatistiksel ilişkileri ortaya koyuyor.

FARKLI FOTOĞRAF KOŞULLARINDA DA TEST EDİLDİ

FAHR-FaceAge aracının farklı poz, ışık, yüz ifadesi ve makyaj koşullarındaki performansı da değerlendirildi. Araştırmacılar, biyolojik yaş tahmininin bu yaygın fotoğraf değişkenleri karşısında büyük ölçüde tutarlı kaldığını belirtti. Test edilen estetik ve plastik cerrahi işlemlerinin çoğunda da modelin sonuçları genel olarak korunurken burun estetiği sonrasında küçük bir değişim gözlendi.

Modellerin bağımsız doğrulama gruplarında yaş, cinsiyet, ırk ve farklı kanser alt grupları bakımından genellenebilirlik gösterdiği aktarıldı. Buna rağmen araştırma sonuçları, sistemin her hasta grubunda aynı doğrulukla çalıştığının kesin kanıtı olarak değerlendirilmiyor. Daha geniş ve daha çeşitli hasta gruplarında yapılacak çalışmaların sonuçların klinik kullanım açısından güvenilirliğini netleştirmesi bekleniyor.

HEDEF HEKİM KARARINI DESTEKLEMEK

Araştırmacılar, yüz fotoğrafı analizinin özellikle radyoterapi, cerrahi veya sistemik tedavi gibi yoğun uygulamalar öncesinde hastanın fiziksel rezervi ve kırılganlığı hakkında ek veri sağlayabileceğini düşünüyor. Bu yaklaşım, geleneksel biyobelirteçlerin sınırlı olduğu durumlarda risk sınıflandırmasına katkı sunabilecek bir araştırma aracı olarak konumlandırılıyor.

Mass General Brigham ekibi, teknolojinin hekim değerlendirmesinin yerine geçmeyeceğini açıkça belirtiyor. FAHR-Face ve alt modellerinin hastanelerde rutin klinik uygulamaya alınabilmesi için daha kapsamlı doğrulama çalışmalarına ve klinik değerlendirmelere ihtiyaç bulunuyor. Çalışma ekibi ayrıca yüz görüntülerinden biyolojik yaş ve sağlık göstergeleri elde edilmesine yönelik araştırmaları genişletiyor.