Yapay zekâ tek fotoğraftan kanser hastasının ölüm riskini tahmin ediyor

ABD merkezli Mass General Brigham araştırmacıları, tek bir yüz fotoğrafından kanser hastalarının ölüm riskini tahmin eden yapay zekâ modeli FAHR-Face‘i geliştirdi. The Lancet Digital Health dergisinde yayımlanan çalışmada, 40 milyondan fazla yüz görüntüsüyle eğitilen sistemin kanser tedavisi sürecinde hekimlere kişiselleştirilmiş prognostik (hastalık gidişatı tahmini) destek sağlayabileceği bildirildi. Sistem henüz klinik kararlarda tek başına kullanılamıyor; ek doğrulama çalışmaları gerekiyor.

FAHR-Face Nasıl Çalışıyor?

Araştırmacılar, Foundation Artificial Intelligence for Health Recognition-Face (FAHR-Face) adını verdikleri temel yapay zekâ modelini 40 milyondan fazla yüz fotoğrafıyla eğitti. Bu temel sistemden iki farklı araç türetildi: FAHR-FaceAge, yüz görünümünden kişinin tahmini biyolojik yaşını (hücresel ve fizyolojik yaşını) hesaplıyor; FAHR-FaceSurvival ise doğrudan kanser hastalarının yüz görüntülerinden ölüm riskine ilişkin istatistiksel tahmin üretiyor. Yaş tahmini modeli yaklaşık 750 bin görüntüyle, hayatta kalma modeli ise 34 binden fazla kanser hastasına ait fotoğrafla ek eğitimden geçirildi.

“Bildiğimiz kadarıyla bu, bir yapay zekâ modelinin basit bir fotoğraftan doğrudan kanser sağkalımını tahmin ettiğinin ilk gösterimidir.”

Bu sözleri, çalışmanın ortak kıdemli yazarı ve Mass General Brigham’da AIM (Artificial Intelligence in Medicine) programı direktörü Hugo Aerts söyledi. Aerts, modelin temel yaklaşımının farklı sağlık göstergeleri için ölçeklenebilir biyobelirteçler (biyolojik belirteçler) üretmeyi sağladığını vurguladı.

Yüz Yaşı Gerçek Yaştan Farklıysa Ne Oluyor?

Çalışmanın dikkat çeken sonuçlarından biri, hastaların gerçek yaşları ile yüzlerinden tahmin edilen biyolojik yaşları arasındaki fark oldu. ABD’de radyoterapi gören kanser hastalarının incelendiği değerlendirmelerde, yüz yaşı gerçek yaşından en az beş yıl büyük görünen hastaların ortalama dört yıllık takip süresinde ölüm riski yüzde 21 daha yüksek bulundu. Tersine, beş yıl daha genç görünen hastların ölüm riski yüzde 17 daha düşüktü. En yüksek riskli gruptaki hastaların ölüm riski, en düşük riskli gruba göre üç kattan fazla (uyarlanmış tehlike oranı 3,23; p<0,0001) çıktı.

İki model farklı yüz bölgelerine odaklanıyor: FAHR-FaceAge burun kenarından ağız kenarına uzanan nazolabial kıvrımlara, kaş hizasındaki alın bölgesine ve şakaklara bakıyor; FAHR-FaceSurvival ise göz altı ve burun köprüsü çevresini değerlendiriyor. Araştırmacılar, araçların poz, ışık, makyaj ve çoğu estetik cerrahi müdahalesine karşı tahminlerini koruduğunu bildirdi.

Kanser Hastaları İçin Ne Anlama Geliyor?

Çalışmanın ilgili yazarı ve Mass General Brigham Kanser Enstitüsü radyasyon onkoloğu Raymond Mak, nüfus yaşlandıkça hekimlerin radyasyon, cerrahi veya sistemik tedavi gibi yoğun müdahaleler önermeden önce hastanın fiziksel rezervini (vücudun stresle başa çıkma kapasitesi) ve kırılganlığını daha iyi değerlendirmeye ihtiyaç duyduğunu belirtti. Mak, yüz fotoğrafı temelli değerlendirmenin hekim kararını yerine değil, onu desteklemeye yönelik olduğunu vurguladı. Sistem, yaş, cinsiyet, ırk ve kanser alt tipleri genelinde tutarlı sonuçlar verdi; iki ölçümün birlikte kullanılması tahmin doğruluğunu artırdı.

Sık Sorulan Sorular

FAHR-Face tek başına tedavi kararı verdiriyor mu? Hayır. Araştırmacılar sistemin hekim değerlendirmesini desteklemek için geliştirildiğini, tedavi seçimini otomatik olarak belirlemediğini vurguluyor.

Model ne kadar güvenilir? Çalışma, modelin iki bağımsız kanser hastası grubunda doğrulandığını gösteriyor; ancak bireysel yaşam süresini kesin olarak belirleyemez. Klinik kullanım için ek doğrulama çalışmaları sürüyor.

Hangi hastalar için geçerli? Sistem, radyoterapi gören kanser hastaları dahil farklı yaş, cinsiyet ve ırklardan hastalarda test edildi ve genel tutarlılık gösterdi.

Sonuç

FAHR-Face, yüz görüntülerinden biyolojik yaş ve kanser sağkalımı tahmini üreten ilk temel yapay zekâ modeli olarak öne çıkıyor. Araştırmacılar, yaklaşımın kişiselleştirilmiş tedavi planlamasına katkı sağlayabileceğini ancak henüz kanıtlanmış bir klinik karar aracı olmadığını belirtiyor. Bir sonraki adım, modelin klinik kararları iyileştirip iyileştirmediğini gösteren prospektif (ileriye dönük) çalışmalardır.