وقتی هوش مصنوعی چهره را می‌خواند؛ از تخمین سن تا بررسی شاخص‌های سلامت  

30 آبان 1405
چهره شما چه سرنخ‌هایی از وضعیت سلامتیتان را در خود دارد؟
مطالعه‌ای که در نشریه علمی The Lancet Digital Health منتشر شده است، از مدل هوش مصنوعی جدیدی با نام FAHR-Face رونمایی می‌کند. این مدل یک هوش مصنوعی پیشرفته است که برای پیشبینی درباره طول عمر بیماران مبتلا به سرطان، از طریق عکس‌ چهره طراحی شده است. یافته‌های این پژوهش نشان می‌دهد که عکس چهره می‌تواند اطلاعاتی درباره وضعیت بیماران در اختیار پزشکان قرار دهد؛ آن هم به روشی غیرتهاجمی و بدون نیاز به انجام اقدامات پزشکی پیچیده. البته پیش از استفاده از این فناوری در محیط‌های بالینی، لازم است نتایج آن در مطالعات بیشتری تایید و اعتبارسنجی شود.
ظاهر چهره انسان تحت تاثیر مجموعه‌ای از عوامل ژنتیکی، محیطی، سبک زندگی و بیماری‌ها قرار دارد. به همین دلیل، چهره می‌تواند بازتابی از وضعیت سلامت و روند پیری بدن باشد. مدل‌های هوش مصنوعی این قابلیت را دارند که ویژگی‌های ظاهری مرتبط با پیری و بیماری‌های مختلف را شناسایی کرده و آن‌ها را به شاخص‌هایی عینی و قابل ‌اندازه‌گیری تبدیل کنند. مدل‌های پیشین تحلیل چهره، عمدتا برای تخمین سن بیولوژیکی افراد طراحی شده بودند؛ اما عملکرد آن‌ها به دلیل محدودیت داده‌های ورودی و دشواری تعمیم نتایج به گروه‌های مختلف جمعیتی، چندان مطلوب نبوده است.

FAHR-Face؛ گامی تازه در توسعه‌ی هوش مصنوعی برای تحلیل چهره
در مطالعه جدید، پژوهشگران مدل یادگیری عمیقی با نام Foundation Artificial Intelligence for Health Recognition-Face (FAHR-Face) توسعه دادند. این مدل با استفاده از بیش از ۴۰ میلیون تصویر دیجیتال از چهره افراد که با دوربین‌های معمولی ثبت شده بودند، برنامه‌ریزی شده است. پژوهشگران مدل پایه را برای انجام دو وظیفه‌ی متفاوت بهینه ‌سازی کرده و دو مدل مستقل به وجود آوردند که شامل موارد زیر است:
FAHR-Face Age: برای تخمین سن بیولوژیکی بر اساس ظاهر چهره
FAHR-Face Survival: برای پیشبینی مستقیم خطر مرگ‌ومیر در بیماران مبتلا به سرطان
پژوهشگران عملکرد هر دو مدل را در گروه‌های مختلف جمعیتی و انواع سرطان بررسی کردند.

نتایج پژوهش چه می‌گویند؟
مدل هوش مصنوعی FAHR-Face با بررسی تصاویر چهره افراد، توانست سن آن‌ها را با میانگین خطای ۵٫۱ سال تخمین بزند. نتایج این پژوهش نشان داد افرادی که چهره‌شان پیرتر از سن واقعی‌شان به نظر می‌رسد، احتمال زنده ماندن کمتری دارند و بیشتر در معرض مرگ زودهنگام قرار می‌گیرند. برای مثال، میزان مرگ‌ومیر طی ۹۰ روز در بیمارانی که اختلاف سن ظاهری و واقعی آن‌ها بیش از ۲۰ سال بود، به ۲۱٫۳ درصد رسید. در مقابل، این میزان در افرادی که چهره‌شان دست‌کم ۱۰ سال جوان‌تر از سن واقعی‌شان به نظر می‌رسید، تنها ۶٫۴ درصد بود. این نتایج نشان می‌دهد که ظاهر چهره ممکن است اطلاعاتی درباره فرایند پیری بدن در اختیار ما قرار دهد؛ اطلاعاتی که صرفا با دانستن سن واقعی افراد نمی‌توان به آن‌ها دست یافت.
پژوهشگران همچنین دریافتند که امتیازهای بالاتر در مدل FAHR-Face Survival با کاهش شانس بقای بیماران مبتلا به سرطان ارتباط دارد. حتی پس از در نظر گرفتن عوامل بالینی موثر بر وضعیت بیماری، مشخص شد که به ازای هر ۰٫۱ واحد افزایش در امتیاز این مدل، خطر مرگ‌ومیر ۱۷ درصد بیشتر می‌شود. همچنین هر چه فاصله میان سن ظاهری و سن واقعی افراد بیشتر باشد، خطر مرگ‌ومیر نیز افزایش پیدا می‌کند. به این ترتیب، اختلاف سن چهره می‌تواند اطلاعاتی درباره وضعیت سلامت و پیش‌آگهی بیماری ارائه دهد که سن تقویمی به ‌تنهایی قادر به نشان دادن آن نیست.
از سوی دیگر، بررسی نحوه عملکرد این دو مدل نشان داد که هرکدام به بخش‌های متفاوتی از چهره توجه می‌کنند. مدل FAHR-Face Survival بیشتر نواحی زیر چشم و اطراف بینی را بررسی می‌کند، درحالی‌که مدل FAHR-Face Age تمرکز بیشتری بر خطوط خنده، پیشانی و شقیقه‌ها دارد.
در مجموع، مدل FAHR-Face که بر پایه‌ی یک هوش مصنوعی آموزش ‌دیده با بیش از ۴۰ میلیون تصویر چهره ساخته شده است، می‌تواند با تحلیل تصاویر صورت، سن بیولوژیکی افراد را تخمین بزند و اطلاعاتی درباره احتمال مرگ‌ومیر بیماران مبتلا به سرطان ارائه کند. دو مدل توسعه ‌یافته از این فناوری، یعنی FAHR-Face Age و FAHR-Face Survival، هرکدام از جنبه‌های متفاوتی به بررسی وضعیت افراد می‌پردازند و اطلاعات مکملی در اختیار پژوهشگران قرار می‌دهند.
این یافته‌ها نشان می‌دهند که تصاویر چهره می‌توانند منبعی برای شناسایی نشانه‌های زیستی مرتبط با سلامت و روند پیری بدن باشند. با این‌حال، پیش از استفاده از این فناوری در روند معمول مراقبت‌های درمانی، لازم است دقت و عملکرد آن در مطالعات مستقل، روی گروه‌های مختلف افراد و در محیط‌های درمانی گوناگون بررسی و تایید شود. در صورت تایید نتایج، استفاده از این مدل‌ها می‌تواند به پزشکان در ارزیابی دقیق‌تر وضعیت بیماران و تصمیم‌گیری بهتر درباره روند درمان کمک کند؛ به‌ ویژه در مراکزی که دسترسی به آزمایش‌های تخصصی و روش‌های متداول ارزیابی سلامت محدود است.
Top of Form
Bottom of Form


اخبار مرتبط

با ما در تماس باشید