В моїй родині, онкологія, на жаль, частий гість. Тому я розумію наскільки важлива і чутлива є новина «Washington post» про те, що ШІ по фото щось там почав розрізняти кому скільки залишилось жити. Не буду займатись отсєбятіной, ось головні тези. Дуже важливо: автори статті відмічають, що досі залишилось невідомим чому і як ШІ зробив свої висновки.
Результати показали, що серед онкологічних пацієнтів, показники FAHR-FaceSurvival яких входили до найвищих 10 відсотків, приблизно половина померла протягом 90 днів, тоді як серед тих, хто входив до найнижчих 10 відсотків, цей показник становив близько 2 відсотків.
На зображенні ліворуч показано риси, які є найважливішими для прогнозування результатів виживання хворих на рак за допомогою FAHR-FaceSurvival; на зображенні праворуч — риси, які є найважливішими для оцінки біологічного віку за допомогою FAHR-FaceAge.
FAHR-FaceSurvival зосередився на ділянці під очима, включаючи перенісся. FAHR-FaceAge переважно виділяв носогубні складки, лоб та скроневу ділянку, підкреслюючи важливість вікових змін у цих зонах.
Як фотографія обличчя пацієнта може допомогти передбачити, чи виживе він після раку
Дослідники заявляють, що розробили нову базову модель штучного інтелекту, навчену на базі понад 40 мільйонів фотографій облич, яка може допомогти передбачити ризик смертності у пацієнтів із раком.
Ця технологія базується на роботі вчених з Mass General Brigham у Бостоні, які раніше створили систему під назвою FaceAge, призначену для оцінки біологічного віку людини — що є показником фізіологічного стану, а не хронологічного віку — на основі фотографії обличчя.
Нова система називається FAHR-FaceSurvival, і детальна інформація про неї наведена в дослідженні, опублікованому в понеділок у виданні Lancet Digital Health.
«Це перший випадок, коли ми продемонстрували, що можемо безпосередньо передбачити ризик смертності — не лише біологічний вік, а саме ризик смертності — лише на основі фотографії», — зазначив Реймонд Мак, радіаційний онколог з Інституту онкології Mass General Brigham та один з авторів дослідження.
Результати показали, що серед онкологічних пацієнтів, показники FAHR-FaceSurvival яких входили до найвищих 10 відсотків, приблизно половина померла протягом 90 днів, тоді як серед тих, хто входив до найнижчих 10 відсотків, цей показник становив близько 2 відсотків.
На зображенні ліворуч показано риси, які є найважливішими для прогнозування результатів виживання хворих на рак за допомогою FAHR-FaceSurvival; на зображенні праворуч — риси, які є найважливішими для оцінки біологічного віку за допомогою FAHR-FaceAge. (Mass General)
Дослідники використовували оцінки біологічного віку для прогнозування результатів виживання хворих на рак і виявили, що пацієнти, чий біологічний вік перевищував їхній хронологічний вік, як правило, мали гірші результати.
«Оригінальне дослідження FaceAge, про яке повідомлялося рік тому, було підтвердженням принципу, що ми можемо навчити алгоритм прогнозувати біологічний вік за фотографією обличчя», — сказав Мак.
FAHR-FaceAge виявився «точнішим за наш оригінальний FaceAge» як у оцінці віку, так і в якості прогностичного маркера у онкологічних пацієнтів, зазначив Мак. Інша система, FAHR-FaceSurvival, безпосередньо прогнозує ризик смертності у пацієнтів з раком.
За його словами, одним із найважливіших висновків стало те, що дослідники могли використовувати одну фотографію обличчя та базову модель для розробки численних алгоритмів, здатних виявляти різні сигнали про стан здоров’я лише на основі цього простого зображення.
Використовуючи нову базову модель FAHR-Face, Мак та його команда змогли залучити існуючі набори даних, що містили фотографії понад 30 000 онкологічних пацієнтів, а також інформацію про їхні медичні результати — підхід, який Мак назвав новаторським.
«Ми могли взяти ці фотографії та відомі медичні результати — тобто тривалість їхнього життя, чи померли вони після діагностування раку і коли це сталося, або чи вижили вони», — сказав Мак.
Команда використала цю інформацію для навчання моделі FAHR-FaceSurvival.
Що бачить ШІ?
У ході дослідження на основі навчених моделей було створено карти уваги, щоб зрозуміти, на які ділянки обличчя моделі зосереджували увагу під час прогнозування стану пацієнтів.
FAHR-FaceSurvival зосередився на ділянці під очима, включаючи перенісся. FAHR-FaceAge переважно виділяв носогубні складки, лоб та скроневу ділянку, підкреслюючи важливість вікових змін у цих зонах.
Досі залишається незрозумілим, що саме ці алгоритми виявляли в цих ділянках і як вони формували висновки.
«Одне з найцікавіших питань, на яке ще немає відповіді, — це те, що саме бачить алгоритм», — зазначила в електронному листі Сучі Сарія, професорка та директорка Лабораторії машинного навчання та охорони здоров’я Університету Джона Гопкінса, яка не брала участі в дослідженні. «Але ми ще не знаємо, які фізіологічні особливості в цих ділянках несуть цей сигнал. Розуміння цього допомогло б нам визначити, чи виявляє модель справді новий біомаркер, чи кількісно оцінює видимі прояви захворювання, які клініцисти вже розпізнають».
На запитання про можливі теорії щодо того, що саме фіксує ШІ, Мак згадав твори Гіппократа про те, що він називав «обличчям смерті» у «Книзі прогностики», написаній приблизно у 400 році до н. е.: «гострий ніс, запалі очі, впалі скроні».
Як онколог, зазначив Мак, він бачив, як у пацієнтів, що наближаються до смерті, з’являються характерні риси обличчя, зокрема запалі скроні, запалі очі та втрата м’яких тканин навколо носа. Як клініцист, він припускає, що ШІ, можливо, «звертає увагу на цю втрату м’яких тканин, втрату м’язової маси, але це лише припущення».
Він уточнив, що алгоритми базуються «виключно на комп’ютерному зорі» і не шукають підказок в Інтернеті. Вони бачили лише фотографію обличчя та або вік цієї людини, або дату смерті, або тривалість виживання. Іншими словами, штучний інтелект не мав доступу до спостережень Гіппократа чи будь-кого іншого.
Емма Пірсон, доцент кафедри інформатики та основний викладач програми «Computational Precision Health» в Каліфорнійському університеті в Берклі, яка не брала участі в дослідженні, назвала отримані результати «науково цікавими». Однак вона висловила сумнів щодо того, чи лікарі вже зараз неявним чином оцінюють окремі частини обличчя пацієнта — так, як це робить Мак як клініцист, — навіть якщо це відбувається не надто систематично.
Перш ніж модель буде застосовано в клінічній практиці, Пірсон хотіла б побачити чіткі докази того, що вона покращує прогнози таким чином, який інакше неможливо було б виявити.
«Довести, що фотографія дозволяє прогнозувати виживання, — це не те саме, що довести, що вона повідомляє нам щось, чого клініцист ще не знає», — зазначила Сарія, — «а це, у свою чергу, не те саме, що довести, що використання такого прогнозу покращує догляд за пацієнтом. ... Наступний експеримент, який я хотіла б побачити, полягає в такому: візьміть найкращий прогноз, який можна зробити на основі інформації, що вже є у розпорядженні клініциста, потім додайте модель обличчя та з’ясуйте, наскільки точнішим стане прогноз».
Пірсон також зазначила, що в дослідженні було враховано такі фактори, як вік, стать, раса чи етнічна приналежність, локалізація раку та аспекти лікування. Однак, виходячи зі свого попереднього аналізу, вона не побачила комплексних показників немічності — рівня фізичної вразливості пацієнта та його здатності витримувати хворобу й лікування.
Хоча офіційні оцінки немічності не включені до аналізу виживаності в новому дослідженні, Мак описав окреме клінічне випробування з участю літніх пацієнтів із раком легенів, які проходять променеву терапію; дослідники порівнюють оцінки FaceAge з оцінками сили та фізичного резерву пацієнтів.
Пірсон висловила занепокоєння щодо потенційного створення штучним інтелектом расових упереджень.
«Кожного разу, коли ви навчаєте систему на основі зображень обличчя, ви неявним чином включаєте расову приналежність пацієнта в прогнози моделі», — зазначила вона, додавши, що використання расової приналежності в медичних прогнозах є «надзвичайно суперечливим». Наприклад, якщо пацієнти певної расової групи історично отримували гірше лікування раку, ШІ, навчений на фотографіях облич, може «закладати расові упередження у вашу модель», — сказала вона.
Дослідники відзначили обмеження дослідження, серед яких — когорти, що складаються виключно з хворих на рак, переважно з країн з високим рівнем доходу, — та закликали до ширшої валідації та використання більш репрезентативних груп пацієнтів. Необхідні проспективні дослідження, щоб визначити, чи дають алгоритми переваги при використанні разом з існуючими прогностичними моделями.
В окремому дослідженні, опублікованому раніше цього року, Мак та його колеги проаналізували знімки, зроблені протягом кількох років, щоб оцінити, як оцінки біологічного віку змінювалися з часом і як ці зміни були пов’язані з результатами виживання.
Окрім лікування раку, дослідники також бачать ширші можливості використання відносно обмежених клінічних даних.
Сарія визнала це дослідження «розумним і досить добре виконаним як демонстрація того, що в зовнішності обличчя закодована реальна прогностична інформація. … На мій погляд, це важливий науковий внесок: він свідчить про те, що в обличчі міститься вимірювана інформація про стан здоров’я, яку раніше ми не могли добре кількісно оцінити».
«Ми маємо потенціал для розробки численних біомаркерів здоров’я на основі однієї фотографії обличчя за допомогою різних алгоритмів штучного інтелекту», — зазначив Мак, додавши, що жоден інший метод візуалізації для отримання біомаркерів не є таким недорогим, як фотоапарат або веб-камера.
«Ми справді відчуваємо, що це початок нової, абсолютно нової галузі медицини»
