تشخیص و پیش‌بینی سرطان فقط با یک سلفی

چه می‌شد اگر می‌توانستیم تنها با یک عکس ساده از چهره‌ی فرد، پیش‌بینی کنیم که چقدر شانس زنده ماندن در برابر سرطان دارد؟

پژوهشگران مرکز پزشکی «ماس جنرال بریگهام» (Mass General Brigham ) در دانشگاه ماساچوست، گام‌های بزرگی در این زمینه برداشته‌اند. آن‌ها با بهره‌گیری از هوش مصنوعی، الگوریتمی پیشرفته به نام FaceAge طراحی کرده‌اند که با تحلیل عکس چهره‌ی افراد، سن بیولوژیکی آن‌ها را تخمین می‌زند و می‌تواند پیش‌بینی کند که یک بیمار مبتلا به سرطان، چه میزان احتمال بقا دارد.

سن بیولوژیکی برخلاف سن شناسنامه‌ای، نشان‌دهنده وضعیت واقعی بدن در سطح سلولی و مولکولی است و اطلاعات بسیار مهم‌تری درباره سلامت فرد ارائه می‌دهد.

نتایج این مطالعه در مجله معتبر The Lancet Digital Health منتشر شده است.

پیش‌بینی سن بیولوژیکی و احتمال بقا از سرطان با یک سلفی

استفاده از هوش مصنوعی در پزشکی موضوع تازه‌ای نیست، اما استفاده از آن برای پیش‌بینی نتیجه‌ی درمان سرطان از روی عکس چهره، یک رویکرد نو و پیشرفته به شمار می‌رود. برخلاف بسیاری از ابزارهای هوش مصنوعی که بر داده‌های ژنتیکی یا نشانه‌های خاص بیماری تمرکز دارند، مدل FaceAge از ویژگی‌های ظاهری چهره برای دریافت اطلاعات مهم و ارزشمند استفاده می‌کند. این روش، کاملاً غیرتهاجمی است و تنها با یک عکس ساده، اطلاعات دقیقی درباره وضعیت سلامت فرد ارائه می‌دهد.

الگوریتم FaceAge می‌تواند با بررسی جزئیات صورت، سن بیولوژیکی افراد را تخمین بزند؛ موضوعی که می‌تواند نقش مهمی در پیش‌بینی روند بیماری سرطان داشته باشد.

تفاوت سن بیولوژیکی با سن تقویمی

سن بیولوژیکی نشان می‌دهد که بدن شما از نظر سلولی و مولکولی در چه وضعیتی قرار دارد و ممکن است کاملاً متفاوت از سن شناسنامه‌ای‌تان باشد. عواملی مثل سبک زندگی، محیطی که در آن زندگی می‌کنید، و ژنتیک شما، همگی می‌توانند بر سن بیولوژیکی تأثیر بگذارند.

در مطالعات مربوط به سرطان، سن بیولوژیکی نسبت به سن تقویمی، معیار دقیق‌تری برای پیش‌بینی وضعیت و پاسخ به درمان است. با افزایش سن، آسیب‌های سلولی بیشتر می‌شود، عملکرد سیستم ایمنی کاهش پیدا می‌کند و توانایی بدن برای ترمیم بافت‌ها کم‌تر می‌شود. همه‌ی این موارد بر روند رشد یا کنترل سرطان اثرگذارند.

چهره؛ آینه‌ای از سلامت درونی بدن

ظاهر و حالت چهره افراد می‌تواند اطلاعات مفیدی درباره وضعیت سلامت آن‌ها به پزشکان بدهد. این اطلاعات می‌تواند در کنار سن واقعی و شاخص‌های زیستی، به انتخاب روش‌های درمانی کمک کند. اما گاهی قضاوت‌ بر اساس ظاهر، می‌تواند همراه با خطا یا سوگیری باشد. به همین دلیل، نیاز به ابزارهای دقیق، بی‌طرف و علمی برای ارزیابی سلامت کاملاً احساس می‌شود.

به همین منظور، پژوهشگران مرکز پزشکی «Mass General Brigham» با استفاده از فناوری‌های یادگیری عمیق و تشخیص چهره، مدل FaceAge را آموزش داده‌اند تا با دقت بالا بتواند سن بیولوژیکی افراد را از طریق عکس چهره‌شان تشخیص دهد.

توسعه الگوریتم FaceAge

با همین هدف، پژوهشگران مرکز Mass General Brigham از فناوری‌های یادگیری عمیق و تشخیص چهره برای آموزش الگوریتم FaceAge استفاده کردند.

هوگو آرتس (Hugo Aerts)، نویسنده‌ی ارشد و مسئول مقاله و مدیر برنامه هوش مصنوعی در پزشکی (AIM) در این مرکز می‌گوید:

«ما می‌توانیم با استفاده از هوش مصنوعی، سن بیولوژیکی فرد را از روی عکس چهره‌اش تخمین بزنیم و مطالعه‌ی ما نشان می‌دهد که این اطلاعات می‌توانند از نظر بالینی بسیار معنادار باشند.»

او ادامه می‌دهد:

«این تحقیق نشان می‌دهد که یک عکس ساده، مثل یک سلفی، حاوی اطلاعات مهمی است که می‌تواند در تصمیم‌گیری‌های بالینی و طراحی برنامه‌های مراقبتی برای بیماران و پزشکان مؤثر باشد. این‌که فرد چقدر جوان یا پیر به نظر می‌رسد در مقایسه با سن واقعی‌اش، واقعاً اهمیت دارد – افرادی که الگوریتم FaceAge سن بیولوژیکی آن‌ها را جوان‌تر از سن تقویمی‌شان تخمین می‌زند، پس از درمان سرطان نتایج به‌مراتب بهتری دارند.»

بیماران سرطانی چهره‌ای پیرتر در FaceAge دارند که با کاهش بقا مرتبط است

ابزار FaceAge با استفاده از ۵۸٬۸۵۱ عکس از افراد ظاهراً سالم از پایگاه‌های داده‌ی عمومی آموزش داده شد. آرتس و تیمش سپس این الگوریتم را بر روی گروهی از ۶٬۱۹۶ بیمار سرطانی از دو مرکز درمانی آزمایش کردند. عکس‌ها در ابتدای دوره‌ی درمان با پرتودرمانی و به‌صورت روتین گرفته شده بودند.

نتایج نشان داد که بیماران سرطانی به‌طور قابل توجهی پیرتر از افراد فاقد سرطان به نظر می‌رسند، به‌طوری که متوسط سن FaceAge آن‌ها حدود پنج سال بیشتر از سن واقعی (تقویمی) آن‌ها بود. سن FaceAge بالاتر در این گروه از بیماران با نتایج بقای ضعیف‌تر همراه بود، به‌ویژه در افرادی که ظاهر آن‌ها بیشتر از ۸۵ ساله به نظر می‌رسید — حتی پس از در نظر گرفتن عواملی مانند سن تقویمی، جنسیت و نوع سرطان.

تخمین زمان باقی‌مانده‌ی زندگی؛ یکی از چالش‌های اصلی درمان سرطان

یکی از ملاحظات مهم در درمان سرطان، تخمین مدت زمان زنده‌ماندن بیمار در پایان عمر است؛ عاملی که اغلب تعیین آن دشوار است. برای بررسی این مسئله، آرتس و همکارانش از ۱۰ پزشک و پژوهشگر خواستند تا امید به زندگی کوتاه‌مدت را بر اساس ۱۰۰ عکس از بیمارانی که تحت درمان تسکینی با پرتودرمانی قرار داشتند پیش‌بینی کنند.

حتی پس از ارائه اطلاعات بالینی مانند سن تقویمی و وضعیت سرطان بیماران، پیش‌بینی‌های پزشکان فقط اندکی بهتر از پرتاب سکه بود. اما هنگامی که اطلاعات FaceAge نیز در اختیار پزشکان قرار گرفت، دقت پیش‌بینی‌های آن‌ها به‌طور قابل توجهی افزایش یافت.

پژوهش‌ها برای کاربردهای عملی در دنیای واقعی ادامه دارد

مانند بسیاری از ابزارهای نوظهور هوش مصنوعی، انجام تحقیقات بیشتر برای اطمینان از ادغام این فناوری در روندهای روتین بالینی ضروری است. در حال حاضر، تیم پژوهشی تمرکز خود را بر ارزیابی توانایی ابزار FaceAge در پیش‌بینی بیماری‌های مختلف، ارزیابی وضعیت کلی سلامت و تخمین طول عمر متمرکز کرده‌اند.

در مرحله‌ی بعدی، مطالعات پیگیری با هدف گسترش دامنه این تحقیق در بیمارستان‌های متعدد، گنجاندن جمعیت‌های متنوع در مراحل مختلف سرطان، و پایش تغییرات پیش‌بینی‌های FaceAge در گذر زمان طراحی شده‌اند. افزون بر این، تیم پژوهشی قصد دارد دقت این ابزار را از طریق مقایسه با داده‌هایی از جراحی‌های زیبایی و اپلیکیشن‌های آرایشی نیز مورد ارزیابی قرار دهد، تا درک جامع‌تری از کاربردهای بالقوه آن در دنیای واقعی به دست آید.

دکتر ری مک (Ray Mak)، نویسنده‌ی همکار ارشد و عضو هیئت علمی برنامه هوش مصنوعی در پزشکی (AIM) در Mass General Brigham می‌گوید:

«این تحقیق دریچه‌ای به دنیای کاملاً جدیدی از کشف نشانگرهای زیستی از طریق عکس باز می‌کند، و پتانسیل آن بسیار فراتر از مراقبت‌های سرطانی یا صرفاً پیش‌بینی سن است.»

او در پایان افزود:

«از آنجا که هرچه بیشتر، بیماری‌های مزمن را به‌عنوان بیماری‌هایی ناشی از پیری در نظر می‌گیریم، توانایی پیش‌بینی دقیق مسیر پیری فرد بسیار مهم‌تر می‌شود. امیدوارم که در نهایت بتوانیم از این فناوری به‌عنوان یک سیستم هشدار زودهنگام در کاربردهای متنوع استفاده کنیم — در چارچوبی قوی از نظر نظارتی و اخلاقی — تا به نجات جان انسان‌ها کمک کنیم.»

منبع :

 Bontempi D, Zalay O, Bitterman DS, et al. FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study. Lancet Digit Health. 2025. doi: 10.1016/j.landig.2025.03.002