Mass General Brigham Kanser Enstitüsü araştırmacıları, tek bir yüz fotoğrafından biyolojik yaş tahmini yapabilen ve kanser hastalarının ölüm riskini sınıflandıran iki yapay zeka modeli geliştirdi. 42 milyondan fazla fotoğrafla eğitilen sistem, özellikle yoğun tedaviler öncesinde hastaların genel sağlık durumunu değerlendirmeye destek olmayı amaçlıyor.
İki model, 42 milyondan fazla fotoğrafla eğitildi
FAHR-Face adı verilen temel model, yüz fotoğraflarından sağlıkla ilişkili göstergeler çıkarmak üzere tasarlandı. Sistem, fotoğrafların bazı kısımlarını kapatıp eksik bölümleri yeniden oluşturmayı öğrenen öz denetimli bir yöntem olan masked autoencoder ile 42 milyondan fazla görüntü üzerinde eğitildi. Yüz özelliklerinden dijital biyobelirteçler üretebiliyor.
Bu altyapıdan iki ayrı model oluşturuldu. FAHR-FaceAge, kişinin takvim yaşından farklı olarak fizyolojik yaşlanmayı yansıtan biyolojik yaşını tahmin ediyor. FAHR-FaceSurvival ise kanser hastalarının hayatta kalma sonuçlarını ve ölüm riskini değerlendiriyor.
FAHR-FaceAge, takvim yaşını ortalama 5,1 yıllık hata payıyla tahmin etti. Karşılaştırılan diğer modelde hata payı 6,92 yıl olarak ölçüldü. Makyaj, gözlük, yüz germe ameliyatı ve farklı ışık koşulları tahminleri kayda değer ölçüde değiştirmezken burun estetiği yapılmış kişilerin fotoğraflarında küçük hatalar görüldü.
Model tahminleriyle ölüm riski arasında da bağlantı saptandı. Gerçek yaşından en az beş yıl daha yaşlı görünen kişilerin ölüm riski yüzde 21 daha yüksek çıktı. Gerçek yaşından beş yıl daha genç görünenlerde ise hayatta kalma oranı yüzde 17 daha yüksek bulundu.
En yüksek risk grubunda 90 günlük ölüm oranı yüzde 52
FAHR-FaceSurvival, radyoterapi alan 34 binden fazla kanser hastasının fotoğrafları kullanılarak eğitildi. Model, yaklaşık 4 bin ve 5 bin hastadan oluşan iki ayrı grupta da test edildi.
Testlerde hastalar ölüm riskine göre sınıflandırıldı. En yüksek risk grubundaki ölüm oranı, en düşük risk grubunun üç katından fazlaydı. En yüksek risk grubundakilerin yüzde 52’si 90 gün içinde hayatını kaybederken en düşük risk grubunda bu oran yüzde 2,1 oldu.
Yoğun tedaviler öncesinde doktorlara destek olabilir
Modeller yüzün farklı bölgelerindeki özellikleri inceliyor. FAHR-FaceAge; burun ile ağız arasındaki nazolabial kıvrımlara, göz çukurlarının üzerindeki alın bölgesine ve şakaklara odaklanıyor. FAHR-FaceSurvival ise göz altlarını ve burun köprüsünün çevresini değerlendiriyor.
Araştırmacılara göre yöntem, radyoterapi, cerrahi müdahale ve sistemik tedavi gibi yoğun süreçlerden önce hastaların genel sağlık durumunu ve fiziksel dayanıklılığını değerlendirmeye yardımcı olabilir. Doktorlar bu değerlendirmeleri bugün klinik deneyimleriyle yapıyor; özellikle ileri yaştaki hastalarda ek testlere de ihtiyaç duyulabiliyor.
Çalışmanın sorumlu yazarı, radyasyon onkoloğu Raymond Mak, yaşlanan nüfusla birlikte tedavi öncesinde fiziksel kapasiteyi ve kırılganlığı daha iyi ölçen yöntemlere ihtiyaç duyulduğunu belirtti. Kıdemli yazar Hugo Aerts ise basit bir yüz fotoğrafından kanser hastalarının hayatta kalma sonuçlarını tahmin edebilmenin önemli bir gelişme olduğunu ifade etti.
Ekip, temel model yaklaşımının her sağlık göstergesi için baştan ayrı bir sistem eğitmek yerine farklı yüz temelli biyobelirteçler geliştirilmesini kolaylaştırdığını aktarıyor. Araştırmacılar ayrıca katılımcıların yaklaşık 10 dakikada kendi FaceAge tahminlerini alabileceği kamuya açık bir çalışma başlattı.
Bulgular, yüz fotoğrafının tek başına kesin bir öngörü sunduğu anlamına gelmiyor. Modellerin klinik kullanıma girebilmesi için daha fazla doğrulamadan geçmesi ve doktor değerlendirmelerini destekleyen araçlar olarak incelenmesi gerekiyor.
