შეუძლია ჩვეულებრივ ფოტოს კიბოს დროს გადარჩენის მაჩვენებლის პროგნოზში დახმარება? FaceAge ხელოვნური ინტელექტი

ამ სტატიაში
სახის ასაკი: ღრმა სწავლების სისტემა კიბოს დიაგნოსტიკაში
2025 წლის 8 მაისს The Lancet Digital Healthჟურნალში გამოქვეყნებული კვლევა აჩვენებს, რომ FaceAge სახელის მქონე ღრმა სწავლების სისტემა სახის ფოტოებით ბიოლოგიური ასაკის შეფასებით კიბოს მქონე პაციენტებში გადარჩენის პროგნოზს აძლიერებს .
კლინიკურ პრაქტიკაში „პირველი შთაბეჭდილება“ ექიმის გადაწყვეტილებებში მნიშვნელოვან როლს ასრულებს, თუმცა სუბიექტური რჩება და ბიოლოგიური ასაკის შესახებ მხოლოდ ზოგად წარმოდგენას იძლევა. ხარისხობრივი და სტანდარტიზებული საზომი იყო საჭირო. FaceAge ამ დანაკლისის შევსებას ცდილობს სახის ერთი ფოტოდან მიღებული რაოდენობრივი „სახის ასაკით“.
შეჯამება: კიბოს მქონე პაციენტები, კიბოს არმქონეებთან შედარებით, სახის ფოტოებზე საშუალოდ დაახლოებით 5 წლით უფროსად გამოიყურებიან. სახის ასაკი კიბოს სხვადასხვა ჯგუფში გადარჩენასთან დამოუკიდებლად არის დაკავშირებული. პალიაციურ მოვლაში ხელოვნური ინტელექტის გამოყენებით ექიმების მიერ პაციენტის მიმდინარეობის პროგნოზის სიზუსტე დაახლოებით 6%-ით უმჯობესდება. ანუ ხელოვნური ინტელექტის მხარდაჭერით ექიმების სწორი პროგნოზირების უნარი 74%-დან 80%-მდე იზრდება.
📷 ფოტო და სახის ასაკი კლინიკური გადაწყვეტილების მიღებაში
FaceAgeსტანდარტული ვებკამერით/ტელეფონით გადაღებული სახის ფოტოდან ასაკის შეფასებით ექიმის მიერ ფუნქციური სტატუსის სუბიექტურ შეფასებას ობიექტურ შრეს ამატებს. პაციენტებს, რომელთა სახის ასაკი ქრონოლოგიურ ასაკზე ახალგაზრდაა , მკურნალობის შემდეგ უკეთესი შედეგების მიღების ტენდენცია აქვთ.
🧠 როგორ გაიწვრთნა მოდელი?
- გაწვრთნა: IMDb–Wiki მონაცემთა ბაზიდან 56304 სახის გამოსახულება.
- ტექნიკური ვალიდაცია: UTKFace ნაკრებიდან 2547 გამოსახულება.
🏥 კლინიკური გამოცდა (აშშ და ნიდერლანდები)
- სულ: 6196 კიბოს მქონე პაციენტი — რადიოთერაპიის დაწყებისას გადაღებული სახის ფოტოებით.
- შედარების საფუძველი: კიბოს არმქონე 535 ადამიანის კოჰორტა.
- ანალიზი: Kaplan–Meier, Cox-ის რეგრესია; მრავალცვლადიანი კორექციები.

გამოსახულების განმარტება: FaceAge ალგორითმი ღრმა სწავლებით სახის ფოტოდან ბიოლოგიურ ასაკს აფასებს და კიბოს მქონე პაციენტებში გადარჩენის პროგნოზირებას იკვლევს. კვლევაში შეადარეს 58851 ჯანმრთელი ადამიანისგან შემდგარი საძიებო მონაცემები და 6196 კიბოს პაციენტის კლინიკური მონაცემები. შედეგები აჩვენებს, რომ სახის ასაკზე უფროსად გამოჩენა უარეს გადარჩენას შეიძლება უკავშირდებოდეს.
📊 კვლევის შედეგები (ძირითადი რიცხვები)

გამოსახულების განმარტება: ხელოვნური ინტელექტის მხარდაჭერით მოქმედი FaceAge ალგორითმიკიბოს პაციენტების სახის ფოტოებიდან ბიოლოგიური ასაკის შეფასებით გადარჩენის დროის პროგნოზირების ძლიერ საშუალებად შეფასდა. ანალიზებში სამი მთავარი ჯგუფი გამოვლინდა:
- მწვანე ჯგუფი: პაციენტები, რომელთა სახე ქრონოლოგიურ ასაკზე ახალგაზრდად გამოიყურება — გადარჩენის მედიანა 40 თვე.
- ლურჯი ჯგუფი: პაციენტები, რომელთა სახის ასაკი ქრონოლოგიურს ემთხვევა (სარეფერენსო ჯგუფი) — გადარჩენის მედიანა 28 თვე.
- წითელი ჯგუფი: ასაკზე უფროსად გამოჩენილი სახის მქონე პაციენტები — გადარჩენის მედიანა მხოლოდ 18 თვე.
ჰაზარდის თანაფარდობის (HR) ანალიზებმაც სხვაობა დაადასტურა. ახალგაზრდულად გამოჩენილებში უფრო დაბალი რისკი, ასაკოვნად გამოჩენილებში კი უფრო მაღალი რისკი დაფიქსირდა. შავი ხაზი ამ HR მაჩვენებლებს ასახავს.
🔹 ასაკობრივი სხვაობა: სახის ანალიზში კიბოს პაციენტები ჯანმრთელ თანატოლებზე საშუალოდ 4,7 წლით უფროსად გამოიყურებოდნენ (P<0,0001).
🔹 კავშირი გადარჩენასთან (FaceAge ↑ → რისკი ↑):
- კიბოს ყველა ტიპი ერთობლივად: სიკვდილის რისკის 15%-იანი ზრდა (HR 1,151; P=0,013)
- თორაკალური (ფილტვის/გულმკერდის) კიბოს დროს: სიკვდილის რისკის 11%-იანი ზრდა (HR 1,117; P=0,021)
- პალიაციური მოვლის პაციენტებში: სიკვდილის რისკის 11%-იანი ზრდა (HR 1,117; P=0,021)
🔹 კლინიკური სარგებელი: პალიაციურ მოვლაში ექიმების მიერ 6-თვიანი გადარჩენის პროგნოზის სიზუსტე 74%-დან 80%-მდე გაიზარდა. ეს 6%-იან აბსოლუტურ გაუმჯობესებას ნიშნავს (P<0,0001).
👉 შეჯამებით: სახის ასაკზე უფროსად გამოჩენა კიბოს უარეს პროგნოზს უკავშირდება. FaceAge ამ ბიოლოგიური დაბერების სიგნალს აფიქსირებს და ექიმების გადარჩენის პროგნოზებს მნიშვნელოვნად აძლიერებს.
🧬 მოლეკულური ანალიზი
CDK6 (ციკლინზე დამოკიდებული კინაზა 6)უჯრედულ ციკლს არეგულირებს და უჯრედულ გამრავლებასა და დაბერებაში მნიშვნელოვან როლს ასრულებს. კვლევაში FaceAge-სა და CDK6-ის ექსპრესიას შორის უკუკავშირი აღმოჩნდა:
- პაციენტებში, რომელთა სახე ასაკზე უფროსად გამოიყურებოდა, CDK6-ის დაბალი დონე გამოვლინდა.
- ეს აღმოჩენა უჯრედული დაბერების დაჩქარებას გვაფიქრებინებს.
რას ნიშნავს ეს?
- სახის ასაკი მხოლოდ ესთეტიკური საზომი კი არა, მოლეკულური დაბერების ბიომარკერიც შეიძლება იყოს.
- ქრონოლოგიური ასაკი → კალენდარული წლების რაოდენობას აჩვენებს.
- მოლეკულური ასაკი → ასახავს, რამდენად „დაბერდა“ უჯრედები, გენები და ცილები.
- FaceAge → ამ მოლეკულური დაბერების გარეგან გამოვლინებას, სახის ნიშნებს, შეიძლება აფიქსირებდეს.
შესაბამისად, FaceAge-ის მიერ შეფასებულ სახის ასაკსა და CDK6-ის დონეს შორის უარყოფითი კორელაციააჩვენებს, რომ ხელოვნური ინტელექტით სახის ანალიზის მეთოდებს არა მხოლოდ კლინიკური, არამედ ბიოლოგიური და მოლეკულური მნიშვნელობაც აქვს.
📌 მოკლე მიმოხილვა: მეთოდოლოგია და გავლენა
| კომპონენტი | შეჯამება |
|---|---|
| საწვრთნელი მონაცემები | IMDb–Wiki (56304 გამოსახულება) → UTKFace (2547), ტექნიკური ვალიდაცია |
| კლინიკური კოჰორტა | სულ 6196 კიბოს პაციენტი; შედარების საფუძველი — 535 კიბოს არმქონე ადამიანი |
| მთავარი შედეგი | სახის ასაკი ↑ → უარესი გადარჩენა; პალიაციურ ჯგუფში AUC 0,74 → 0,80 |
| მოლეკულური შედეგები | CDK6-თან უკუკავშირი; ქრონოლოგიურ ასაკთან მნიშვნელოვანი კავშირი არ არის (მრავლობითი კორექციის შემდეგ) |
🔍 კლინიკური მნიშვნელობა
- ობიექტურობას მატებს: ექიმის სუბიექტურ პირველ შთაბეჭდილებას სტანდარტულ მეტრიკას უმატებს.
- აუმჯობესებს სტრატიფიკაციას: კიბოს სხვადასხვა ჯგუფში დამოუკიდებელ პროგნოზულ ინფორმაციას იძლევა.
- მხარს უჭერს გადაწყვეტილებას: განსაკუთრებით პალიაციური მკურნალობის დაგეგმვისას პროგნოზის შესრულებას აუმჯობესებს.
⚠️ შეზღუდვები და ეთიკური საკითხები
- გაწვრთნის მიკერძოებები: IMDb–Wiki-ში ცნობილი პირების დიდი წილი და შესაძლო კოსმეტიკური/ციფრული ცვლილებები.
- განზოგადება: ვალიდაციის საჭიროება უფრო დიდ და მრავალფეროვან კლინიკურ კოჰორტებში.
- არასათანადო გამოყენების რისკი: სახის ასაკის შეუსაბამო გამოყენება დაზღვევასა და სხვა სფეროებში მარეგულირებელ ჩარჩოს მოითხოვს.
📝 დასკვნა
FaceAge-ს ადვილად ხელმისაწვდომი სახის ფოტოდან კლინიკურად მნიშვნელოვანი ბიომარკერის შექმნის პოტენციალი აქვს. უფრო დიდი და მრავალცენტრიანი ვალიდაციით შესაძლებელია მისი კლინიკური გადაწყვეტილების მხარდაჭერის პროცესებში უსაფრთხოდ ინტეგრირება.
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.