Ένα νέο μοντέλο τεχνητής νοημοσύνης, γνωστό ως FaceAge, μπορεί να υπολογίσει τη βιολογική ηλικία ενός ατόμου από μια selfie, εκτιμώντας την κατάσταση του σώματος και τον τρόπο γήρανσης. Οι ερευνητές πιστεύουν ότι το FaceAge μπορεί να βοηθήσει τους γιατρούς στην επιλογή θεραπείας για ασθενείς με καρκίνο, καθώς οι εκτιμήσεις του σχετίζονται με την επιβίωση μετά τη θεραπεία.
Παρόλο που το μοντέλο έχει εκπαιδευτεί με δεδομένα από άτομα άνω των 60, απαιτούνται περαιτέρω μελέτες για να διασφαλιστεί η ακρίβεια και η αντιπροσωπευτικότητα των αποτελεσμάτων του. Το FaceAge δεν θα αντικαταστήσει την ιατρική κρίση, αλλά μπορεί να προσφέρει χρήσιμα δεδομένα για την εξατομίκευση των θεραπειών.
Πιο αναλυτικά
Ένα νέο μοντέλο τεχνητής νοημοσύνης (AI) μπορεί να προβλέψει τη βιολογική ηλικία ενός ατόμου — την κατάσταση του σώματός του και τον τρόπο με τον οποίο γερνάει — από μια selfie.
Το μοντέλο, με την ονομασία FaceAge, εκτιμά πόσο χρονών φαίνεται ένα άτομο σε σύγκριση με τη χρονολογική του ηλικία ή τον χρόνο που έχει περάσει από τη γέννησή του. Οι κατασκευαστές του FaceAge λένε ότι το εργαλείο τους θα μπορούσε να βοηθήσει τους γιατρούς να αποφασίσουν για την καλύτερη πορεία θεραπείας για ασθένειες όπως ο καρκίνος. Αλλά ένας εξωτερικός εμπειρογνώμονας δήλωσε στο Live Science ότι πριν χρησιμοποιηθεί με αυτόν τον τρόπο, τα δεδομένα παρακολούθησης πρέπει να δείξουν ότι βελτιώνει πραγματικά τα αποτελέσματα της θεραπείας ή την ποιότητα ζωής.
Όταν ένας γιατρός θεραπεύει έναν ασθενή με καρκίνο, «ένα από τα πρώτα πράγματα που κάνει είναι να προσπαθήσει να αξιολογήσει πόσο καλά τα πάει το άτομο», δήλωσε σε ενημέρωση των δημοσιογράφων στις 7 Μαΐου ο Hugo Aerts , διευθυντής του Προγράμματος Τεχνητής Νοημοσύνης στην Ιατρική στο Πανεπιστήμιο Mass General Brigham. «Αυτή είναι συχνά μια πολύ υποκειμενική αξιολόγηση, αλλά μπορεί να επηρεάσει πολλές μελλοντικές αποφάσεις» σχετικά με τη θεραπεία τους, συμπεριλαμβανομένου του πόσο επιθετικό ή έντονο θα πρέπει να είναι το θεραπευτικό τους σχέδιο, πρόσθεσε. Για παράδειγμα, οι γιατροί μπορεί να αποφασίσουν ότι ένας ασθενής που φαίνεται νεότερος και πιο κατάλληλος για την ηλικία του μπορεί να ανεχθεί μια επιθετική θεραπεία καλύτερα και τελικά να ζήσει περισσότερο από έναν ασθενή που φαίνεται μεγαλύτερος και πιο αδύναμος, ακόμη και αν οι δύο έχουν την ίδια χρονολογική ηλικία.
Το FaceAge θα μπορούσε να διευκολύνει αυτή την απόφαση μετατρέποντας τις υποκειμενικές εκτιμήσεις των γιατρών σε ποσοτικό μέτρο, έγραψαν οι συγγραφείς της μελέτης στη νέα μελέτη που δημοσιεύτηκε στις 8 Μαΐου στο περιοδικό Lancet Digital Health . Ποσοτικοποιώντας τη βιολογική ηλικία, το μοντέλο θα μπορούσε να προσφέρει ένα ακόμη σημείο δεδομένων που θα βοηθούσε τους γιατρούς να αποφασίσουν ποια θεραπεία θα προτείνουν.
Ο Aerts και οι συνάδελφοί του εκπαίδευσαν το μοντέλο σε περισσότερες από 58.000 φωτογραφίες ατόμων ηλικίας 60 ετών και άνω, τα οποία θεωρούνταν ότι είχαν μέση υγεία για την ηλικία τους κατά τη στιγμή της λήψης της φωτογραφίας. Σε αυτό το σύνολο εκπαίδευσης, οι ερευνητές έβαλαν το μοντέλο να εκτιμήσει τις χρονολογικές ηλικίες και να υποθέσει ότι οι βιολογικές ηλικίες των ατόμων ήταν παρόμοιες, αν και οι επιστήμονες σημείωσαν ότι αυτή η υπόθεση δεν ισχύει σε κάθε περίπτωση.
Στη συνέχεια, η ομάδα χρησιμοποίησε το FaceAge για να προβλέψει τις ηλικίες περισσότερων από 6.000 ατόμων με καρκίνο. Οι ασθενείς με καρκίνο φαίνονταν περίπου πέντε χρόνια μεγαλύτεροι, κατά μέσο όρο, από τη χρονολογική τους ηλικία, σύμφωνα με την ομάδα. Οι εκτιμήσεις του FaceAge συσχετίστηκαν επίσης με την επιβίωση μετά τη θεραπεία: Όσο μεγαλύτερος φαινόταν ένα άτομο, ανεξάρτητα από τη χρονολογική του ηλικία, τόσο χαμηλότερες ήταν οι πιθανότητες να ζήσει περισσότερο. Αντίθετα, η χρονολογική ηλικία δεν ήταν καλός προγνωστικός παράγοντας επιβίωσης σε ασθενείς με καρκίνο, σύμφωνα με την ομάδα.
Το FaceAge δεν είναι ακόμη έτοιμο για νοσοκομεία ή ιατρεία. Καταρχάς, το σύνολο δεδομένων που χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου αντλήθηκε από το IMDb και τη Wikipedia — τα οποία ενδέχεται να μην αντιπροσωπεύουν τον γενικό πληθυσμό και ενδέχεται επίσης να μην λαμβάνουν υπόψη παράγοντες όπως η πλαστική χειρουργική, οι διαφορές στον τρόπο ζωής ή οι εικόνες που έχουν υποστεί ψηφιακή επεξεργασία. Απαιτούνται περαιτέρω μελέτες με μεγαλύτερα και πιο αντιπροσωπευτικά σύνολα εκπαίδευσης για να κατανοηθεί πώς αυτοί οι παράγοντες επηρεάζουν τις εκτιμήσεις του FaceAge, ανέφεραν οι συγγραφείς.
Και οι ερευνητές συνεχίζουν να βελτιώνουν τον αλγόριθμο με πρόσθετα δεδομένα εκπαίδευσης και να δοκιμάζουν την αποτελεσματικότητά του για άλλες παθήσεις εκτός από τον καρκίνο. Διερευνούν επίσης τους παράγοντες που χρησιμοποιεί το μοντέλο για να κάνει τις προβλέψεις του. Αλλά μόλις ολοκληρωθεί, το FaceAge θα μπορούσε, για παράδειγμα, να βοηθήσει τους γιατρούς να προσαρμόσουν την ένταση των θεραπειών για τον καρκίνο, όπως η ακτινοβολία και η χημειοθεραπεία, σε συγκεκριμένους ασθενείς, δήλωσε κατά τη διάρκεια της ενημέρωσης ο συν-συγγραφέας της μελέτης, Δρ. Ray Mak , ακτινο-ογκολόγος στο Mass General Brigham.
Οι ερευνητές σημείωσαν ότι το εργαλείο τεχνητής νοημοσύνης δεν θα λαμβάνει αποφάσεις σχετικά με τη θεραπεία από μόνο του. «Δεν αντικαθιστά την κρίση του κλινικού ιατρού», είπε ο Μακ. Αλλά το FaceAge θα μπορούσε να γίνει μέρος της εργαλειοθήκης ενός γιατρού για την εξατομίκευση ενός θεραπευτικού σχεδίου, «σαν να έχει ένα ακόμη σημείο δεδομένων ζωτικών σημείων».
