შეიძლება ჩვეულებრივმა ფოტომ კიბოს დროს გადარჩენის პროგნოზში დაგვეხმაროს? FaceAge ხელოვნური ინტელექტი
ამ სტატიაში
სახის ასაკი: ღრმა სწავლების სისტემა კიბოს დიაგნოსტიკაში
8 მაისს, 2025 წელს ჟურნალში The Lancet Digital Healthგამოქვეყნებული კვლევა აჩვენებს, რომ ღრმა სწავლების სისტემას FaceAge შეუძლია სახის ფოტოდან ბიოლოგიური ასაკის პროგნოზირება და კიბოს პაციენტებში გადარჩენის პროგნოზების გაუმჯობესება.
კლინიკურ პრაქტიკაში პაციენტზე „პირველმა შთაბეჭდილებამ“ შეიძლება ექიმის გადაწყვეტილებაზე იმოქმედოს, თუმცა ის სუბიექტურია და მხოლოდ უხეშ წარმოდგენას იძლევა ბიოლოგიურ ასაკზე. საჭირო იყო რაოდენობრივი და სტანდარტიზებული მაჩვენებელი. FaceAge ამ ხარვეზის შევსებას ცდილობს გაზომვადი „სახის ასაკის“ მიღებით ერთი სახის ფოტოდან.
შეჯამება: კიბოს არმქონე პირებთან შედარებით კიბოს პაციენტები საშუალოდ დაახლოებით 5 წლით უფროსები ჩანან სახის ფოტოებზე. სახის ასაკი დამოუკიდებლად უკავშირდება გადარჩენას კიბოს მრავალ კოჰორტაში. პალიატიურ მოვლაში AI-ის გამოყენებისას ექიმების გადარჩენის პროგნოზის სიზუსტე დაახლოებით 6%-ითუმჯობესდება. ანუ AI-ის დახმარებით პროგნოზის სიზუსტე იზრდება 74%-დან 80%-მდე.
📷 კლინიკური გადაწყვეტილებები ფოტოებითა და სახის ასაკით
FaceAge ასაკს პროგნოზირებს სტანდარტული ვებკამერით/სმარტფონითგადაღებული სახის ფოტოდან და ამატებს ობიექტურ ფენას ექიმის სუბიექტურ ფუნქციურ შეფასებას. პაციენტებს, რომელთა სახის ასაკი ქრონოლოგიურ ასაკზე ნაკლებია , მკურნალობის შემდეგ უკეთესი შედეგების ტენდენცია აქვთ.
🧠 როგორ გაწვრთნეს მოდელი?
- სწავლება: IMDb–Wiki მონაცემთა ნაკრები 56304 სახის გამოსახულებით.
- ტექნიკური ვალიდაცია: UTKFace მონაცემთა ნაკრები 2547 გამოსახულებით.
🏥 კლინიკური გამოცდა (აშშ და ნიდერლანდები)
- სულ: 6196 კიბოს პაციენტი (სახის ფოტოები რადიოთერაპიის დაწყებისას გადაიღეს).
- შედარებისთვის: კოჰორტა, რომელიც მოიცავდა 535 კიბოს არმქონე პირს.
- ანალიზი: კაპლან–მაიერი, კოქსის რეგრესია; მრავალცვლადიანი შესწორებები.
გამოსახულების აღწერა: FaceAge ალგორითმი ღრმა სწავლებით სახის ფოტოებიდან ბიოლოგიურ ასაკს პროგნოზირებს და კიბოს პაციენტებში გადარჩენას აფასებს. კვლევამ 58851 ჯანმრთელი პირის საძიებო მონაცემები 6196 კიბოს პაციენტის კლინიკურ მონაცემებს შეადარა. შედეგები მიუთითებს, რომ ქრონოლოგიურ ასაკზე უფროსად გამოჩენა უარეს გადარჩენას უკავშირდება.
📊 კვლევის შედეგები (მთავარი რიცხვები)
📊 სურათი: კავშირი FaceAge-სა და გადარჩენას შორის
(A) კაპლან–მაიერის მრუდები: პაციენტები დაჯგუფებულია AI-ის მიერ პროგნოზირებული სახის ასაკის (FaceAge) მიხედვით. უფრო მაღალი FaceAge-ის ჯგუფებს აშკარად მოკლე გადარჩენა აქვთ (log-rank p < 0.0001). მაგალითად, FaceAge >85 წლის ჯგუფში 7-წლიანი გადარჩენა მნიშვნელოვნად უარესია ≤65 წლის ჯგუფთან შედარებით.
(B) ერთცვლადიანი და მრავალცვლადიანი ანალიზები: სარეფერენციო ჯგუფია FaceAge ≤65 წელი.
- ერთცვლადიანი: ჯგუფში FaceAge >85 წელი სიკვდილის რისკი 2.857-ჯერ მაღალია (HR 2.857; p<0.0001).
- მრავალცვლადიანი (ასაკის, სქესისა და სიმსივნის ჯგუფის მიხედვით შესწორებული): რისკი კვლავ 1.468-ჯერ მაღალია (HR 1.468; p=0.0059).
(C) ქვეჯგუფური ანალიზები: FaceAge-ის პროგნოზული ღირებულება კიბოს ტიპების მიხედვით:
- ძუძუს კიბო (n=1337): FaceAge-ის ყოველი ათწლეულით ზრდა → HR 1.854 (p<0.0001).
- კუჭ-ნაწლავის სიმსივნეები (n=1003): HR 1.409 (p<0.0001).
- შარდსასქესო სიმსივნეები (n=843): ყველაზე ძლიერი კავშირი; HR 2.138 (p<0.0001).
- ფილტვის კიბო (n=737): HR 1.243 (p<0.0001).
🔹 ასაკობრივი სხვაობა: ასაკით შეწყვილებულ ჯანმრთელ პირებთან შედარებით კიბოს პაციენტები საშუალოდ 4.7 წლით უფროსები ჩანდნენ (P<0.0001).
🔹 კავშირი გადარჩენასთან (FaceAge ↑ → რისკი ↑):
- კიბოს ყველა ტიპი ერთად: სიკვდილის 15%-ით მაღალი რისკი (HR 1.151; P=0.013)
- გულმკერდის სიმსივნეები: 11%-ით მაღალი რისკი (HR 1.117; P=0.021)
- პალიატიური პაციენტები: 11%-ით მაღალი რისკი (HR 1.117; P=0.021)
🔹 კლინიკური სარგებელი: პალიატიურ მოვლაში ექიმების 6-თვიანი გადარჩენის პროგნოზის სიზუსტე გაუმჯობესდა 74%-დან 80%-მდე, რაც წარმოადგენს 6%-იან აბსოლუტურ გაუმჯობესებას (P<0.0001).
👉 შეჯამება: რეალურ ასაკზე უფროსად გამოჩენა კიბოს უარეს პროგნოზს უკავშირდება. ბიოლოგიური დაბერების ამ სიგნალის დაფიქსირებით FaceAge ალგორითმი ექიმებს გადარჩენის პროგნოზირებაში მნიშვნელოვნად ეხმარება.
🧬 მოლეკულური ანალიზი
CDK6 (ციკლინდამოკიდებული კინაზა 6) უჯრედული ციკლის მარეგულირებელი მნიშვნელოვანი ფერმენტია, რომელიც უჯრედთა პროლიფერაციასა და დაბერების მექანიზმებში დიდ როლს ასრულებს. კვლევაში გამოიკვეთა:
- უარყოფითი კორელაცია FaceAge-სა და CDK6 ექსპრესიას შორის: ქრონოლოგიურ ასაკზე უფროსად გამოჩენილ პაციენტებს CDK6-ის უფრო დაბალი დონე ჰქონდათ.
- ქრონოლოგიურ ასაკს (კალენდარულ ასაკს) მრავალი სტატისტიკური შესწორების შემდეგ CDK6-თან მნიშვნელოვანი კორელაცია არ ჰქონდა.
რას ნიშნავს ეს?
- CDK6-ის დაბალი დონე შეიძლება უჯრედული რეგენერაციის შემცირებასა და დაჩქარებულ ბიოლოგიურ დაბერებაზე მიუთითებდეს.
- ამგვარად, ხანდაზმულად გამოჩენილი სახე შეიძლება მხოლოდ კოსმეტიკური საკითხი კი არა, უჯრედული და მოლეკულური დაბერების ანარეკლიც იყოს.
- ქრონოლოგიური ასაკი რეალურ ბიოლოგიურ დაბერებას ყოველთვის ვერ ასახავს, თუმცა FaceAge-მა ეს სხვაობა შეიძლება გამოავლინოს.
მოკლედ, FaceAge-სა და CDK6 ექსპრესიას შორის უკუკავშირი ამყარებს იდეას, რომ AI-ით სახის ასაკის პროგნოზირება შეიძლება არა მხოლოდ კლინიკურ, არამედ ბიოლოგიურ და მოლეკულურ დაბერების პროცესებსაც ასახავდეს.
📌 მოკლე მიმოხილვა: მეთოდოლოგია და გავლენა
| კომპონენტი | შეჯამება |
|---|---|
| სასწავლო მონაცემები | IMDb–Wiki (56304 გამოსახულება) → UTKFace (2547) ტექნიკური ვალიდაცია |
| კლინიკური კოჰორტა | სულ 6196 კიბოს პაციენტი; შედარების ჯგუფი — 535 კიბოს არმქონე პირი |
| მთავარი შედეგი | სახის ასაკი ↑ → უარესი გადარჩენა; პალიატიურ მოვლაში AUC გაუმჯობესდა 0.74 → 0.80 |
| მოლეკულური შედეგები | უკუკორელაცია CDK6-თან; ქრონოლოგიურ ასაკთან მნიშვნელოვანი კავშირის გარეშე → სახის ასაკი შეიძლება დაბერების მოლეკულური ბიომარკერი იყოს |
🔍 კლინიკური მნიშვნელობა
- ობიექტურობას მატებს: ამატებს სტანდარტულ მაჩვენებელს ექიმის სუბიექტურ პირველ შთაბეჭდილებას.
- აუმჯობესებს სტრატიფიკაციას: კიბოს მრავალ ჯგუფში დამოუკიდებელ პროგნოზულ ინფორმაციას იძლევა.
- ეხმარება გადაწყვეტილების მიღებას: აუმჯობესებს პროგნოზირებას, განსაკუთრებით პალიატიური მოვლის დაგეგმვისას.
⚠️ შეზღუდვები და ეთიკური საკითხები
- სასწავლო მიკერძოებები: IMDb–Wiki-ში ცნობილი ადამიანების ჭარბი წარმოდგენა და შესაძლო კოსმეტიკური/ციფრული ცვლილებები.
- განზოგადებადობა: საჭიროა ვალიდაცია უფრო დიდ და მრავალფეროვან კლინიკურ კოჰორტებში.
- ბოროტად გამოყენების რისკი: სახის ასაკის არასათანადო გამოყენება, მაგალითად დაზღვევაში; საჭიროა მარეგულირებელი ჩარჩო.
📝 დასკვნა
FaceAge-ს შეუძლია შექმნას კლინიკურად მნიშვნელოვანი ბიომარკერი ადვილად ხელმისაწვდომი სახის ფოტოდან. უფრო დიდი მრავალცენტრული ვალიდაციებით შესაძლებელია მისი უსაფრთხო ინტეგრირება კლინიკური გადაწყვეტილების მხარდაჭერის სამუშაო პროცესებში.
წყაროები
Bontempi, Dennis et al.
The Lancet Digital Health, Volume 7, Issue 6, 100870
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.