Mass General Brigham Kanser Enstitüsü araştırmacıları, yüz fotoğraflarını analiz ederek kişinin biyolojik yaşını tahmin etmeyi ve kanser hastalarının tedavi sürecindeki ölüm riskini değerlendirmeyi amaçlayan iki yapay zeka modeli geliştirdi. Araştırmada kullanılan sistemler, bir yüz görüntüsünden elde edilen örüntüleri sağlıkla ilişkili göstergelere dönüştürüyor. Bu yaklaşım, özellikle yoğun kanser tedavilerinden önce hastanın genel sağlık durumunu ve tedaviye dayanıklılığını değerlendirmeye yardımcı olabilecek yeni bir araştırma alanı sunuyor.
Modeller, doktorların klinik değerlendirmesinin veya mevcut tıbbi testlerin yerine geçmek üzere değil, onları destekleyebilecek araçlar olarak tasarlandı. Yüz fotoğrafından elde edilen tahminler tek başına kesin bir sağlık sonucu ya da kişinin ne zaman hayatını kaybedeceğine ilişkin bireysel bir öngörü olarak yorumlanmamalı. Bulgular, yapay zekanın yüz görüntülerinde sağlık ve yaşlanmayla bağlantılı olabilecek örüntüleri saptama potansiyelini inceliyor.
42 milyondan fazla fotoğrafla eğitilen temel model
Araştırmanın temelinde FAHR-Face adı verilen bir yapay zeka modeli bulunuyor. Sistem, 42 milyondan fazla yüz fotoğrafıyla eğitildi. Eğitim sırasında masked autoencoder olarak bilinen öz denetimli öğrenme yaklaşımından yararlanıldı. Bu yöntemde fotoğrafların bazı bölümleri modelden gizleniyor ve modelden eksik kısımları mevcut görsel bilgiler doğrultusunda yeniden oluşturması isteniyor. Böylece sistem, yüzün farklı bölgeleri arasındaki ilişkileri ve görsel örüntüleri öğrenebiliyor.
FAHR-Face, bu öğrenilmiş temeli kullanarak sağlıkla bağlantılı olabilecek dijital biyobelirteçler çıkarmak üzere geliştirildi. Araştırmacılar aynı temel modelden iki ayrı uygulama oluşturdu: FAHR-FaceAge biyolojik yaşla ilişkili tahminlere, FAHR-FaceSurvival ise kanser hastalarının hayatta kalma sonuçları ve ölüm riski sınıflandırmasına odaklanıyor. Bu ayrım, yaşlanma göstergelerini değerlendirmek ile kanser tedavisi gören bir grubun sonuçlarını incelemenin farklı araştırma soruları olduğunu ortaya koyuyor.
Takvim yaşı ile biyolojik yaş arasındaki fark
Takvim yaşı, kişinin doğum tarihinden hesaplanan yaşıdır. Biyolojik yaş kavramı ise vücudun genel olarak ne ölçüde yaşlanmış olabileceğini ifade etmek için kullanılır. Bu iki yaş her zaman aynı olmayabilir: aynı takvim yaşındaki kişiler sağlık durumu, yaşam koşulları ve fizyolojik özellikleri bakımından farklılık gösterebilir. FAHR-FaceAge, yüz fotoğrafındaki görsel örüntülerden hareketle bu farklılıkları araştırmayı ve biyolojik yaşla ilişkili bir tahmin üretmeyi amaçlıyor.
Modelin takvim yaşını tahmin etme performansı test edildiğinde ortalama hata 5,1 yıl olarak bildirildi. Karşılaştırma yapılan diğer modelde hata 6,92 yıldı. Bu ölçüm, modelin yüz fotoğrafından takvim yaşını ne kadar isabetli tahmin ettiğini değerlendiren bir performans göstergesidir; tek başına kişinin biyolojik yaşını kesin olarak ölçtüğünü kanıtlamaz. Araştırmada biyolojik yaş tahminleri ile ölüm riski arasında da istatistiksel bir ilişki incelendi.
Sonuçlara göre FAHR-FaceAge tarafından gerçek takvim yaşından en az beş yıl daha yaşlı tahmin edilen kişilerde ölüm riski yüzde 21 daha yüksek bulundu. Gerçek yaşından en az beş yıl daha genç tahmin edilen grupta ise hayatta kalma oranı yüzde 17 daha yüksekti. Bu oranlar, incelenen araştırma gruplarındaki gözlemleri ifade ediyor; belirli bir kişinin riskinin aynı miktarda artacağı ya da azalacağı anlamına gelmiyor.
Araştırmacılar, makyaj, gözlük, yüz germe ameliyatı ve farklı ışık koşullarının yaş tahminlerini önemli ölçüde değiştirmediğini bildirdi. Burun estetiği yapılmış kişilerin fotoğraflarında ise küçük tahmin hataları gözlendi. Bu tür bulgular, fotoğrafın çekim koşullarının ve kişinin yüzündeki değişikliklerin model performansına etkisini anlamak açısından önemli. Ancak farklı yüz özelliklerine sahip gruplarda ve çeşitli klinik ortamlarda sistemin ne kadar tutarlı sonuç vereceğinin daha kapsamlı biçimde değerlendirilmesi gerekiyor.
Kanser hastalarında risk sınıflandırması
FAHR-FaceSurvival, radyoterapi alan 34 binden fazla kanser hastasının fotoğrafları kullanılarak eğitildi. Model, yaklaşık 4 bin ve 5 bin hastadan oluşan iki ayrı grupta daha test edildi. Araştırmacılar, sistemin hastaları gözlenen ölüm riski bakımından farklı gruplara ayırabildiğini bildirdi. En yüksek risk grubundaki hastaların ölüm oranı, en düşük risk grubundakilerin oranından üç katı aşkın düzeydeydi.
Çalışmada en yüksek risk grubundaki hastaların yüzde 52’si 90 gün içinde hayatını kaybetti. En düşük risk grubunda ise aynı süre içinde ölüm oranı yüzde 2,1 olarak kaydedildi. Bu sonuçlar, modelin ilgili araştırma grupları içinde risk düzeylerini ayırt etme becerisine işaret ediyor. Bununla birlikte, yüz fotoğrafı tek başına ölümün nedenini belirlemez ve bir hastanın kişisel tedavi sonucunu kesin biçimde öngöremez. Hastalığın türü ve evresi, uygulanan tedavi, eşlik eden sağlık sorunları ve diğer klinik bilgiler de değerlendirmede önem taşır.
Modellerin yüzün dikkat çeken farklı bölgelerinden yararlandığı bildirildi. FAHR-FaceAge; burun ile ağız arasındaki nazolabial kıvrımlar, göz çukurlarının üzerindeki alın bölgesi ve şakaklar gibi alanlara odaklanıyor. FAHR-FaceSurvival ise göz altı bölgesiyle burun köprüsünün çevresindeki görsel özellikleri değerlendiriyor. Bu bölgelerin model için neden bilgi taşıdığı henüz tek başına açıklayıcı bir klinik mekanizma olarak kabul edilemez; yapay zeka, insan gözünün kolayca fark edemediği istatistiksel örüntülerden yararlanıyor olabilir.
Klinik kararları destekleme potansiyeli ve sınırlar
Kanser tedavileri arasında radyoterapi, cerrahi müdahale ve sistemik tedaviler gibi yoğun süreçler bulunabilir. Tedavi öncesinde hastanın genel sağlık durumunu, fiziksel kapasitesini ve kırılganlığını değerlendirmek, bakım planının oluşturulmasına katkı sağlayabilir. Araştırmacılara göre yüz fotoğrafından elde edilen bir tahmin, mevcut değerlendirmelere ek bir bilgi kaynağı olarak incelenebilir. Bugün doktorlar bu tür kararları klinik deneyim, muayene ve hastaya ait diğer veriler üzerinden veriyor; bazı durumlarda ek testlere ihtiyaç duyuluyor.
Çalışmanın sorumlu yazarlarından radyasyon onkoloğu Raymond Mak, yaşlanan nüfusla birlikte hastaların fiziksel kapasitesini ve kırılganlığını tedavi öncesinde daha iyi değerlendirebilecek yöntemlere ihtiyaç bulunduğunu vurguladı. Kıdemli yazarlardan Hugo Aerts ise yalnızca yüz fotoğrafından kanser hastalarının hayatta kalma sonuçlarıyla ilişkili tahminler üretilebilmesini araştırma açısından önemli bir gelişme olarak değerlendirdi. Bu açıklamalar, yöntemin mevcut klinik uygulamalara doğrudan eklenmiş olduğu anlamına gelmiyor; klinik yararının ayrıca sınanması gerekiyor.
Bir yapay zeka modelinin araştırma verilerinde başarılı sonuç vermesi, farklı hastanelerde ve farklı hasta gruplarında aynı performansı göstereceğini garanti etmez. Sistemin güvenilirliğini değerlendirmek için farklı yaş, cilt tonu, yüz yapısı ve sağlık durumlarına sahip kişilerde testler yapılması; fotoğraf çekim koşullarının etkisinin incelenmesi ve tahminlerin bağımsız klinik verilerle karşılaştırılması gerekir. Ayrıca yanlış sınıflandırmanın tedavi kararlarını etkileyebileceği durumlarda, sonuçların nasıl kullanılacağı ve doktorların nihai karardaki rolü açıkça belirlenmelidir.
Araştırma ekibi, temel FAHR-Face modelinin farklı yüz temelli biyobelirteçlerin geliştirilmesini kolaylaştırabileceğini belirtiyor. Her yeni sağlık göstergesi için modeli baştan eğitmek yerine ortak bir temel üzerinde farklı görevler oluşturmak, araştırma sürecini daha verimli hâle getirebilir. Ekip ayrıca kamuya açık bir çalışma başlatarak katılımcılara yaklaşık 10 dakikada kendi FaceAge tahminlerini görme imkânı sunuyor. Bu tür tahminler de tanı veya kişisel sağlık değerlendirmesi olarak değil, araştırma amaçlı sonuçlar olarak ele alınmalı.
Özetle, yüz fotoğrafına dayalı bu modeller biyolojik yaş ve kanser hastalarında ölüm riskiyle ilişkili örüntüleri inceleyen araştırma araçlarıdır. Bulgular, gelecekte doktorların değerlendirmelerine ek bilgi sağlayabilecek bir yaklaşımın mümkün olabileceğini gösteriyor. Ancak yöntemin klinik kullanım için güvenli ve yararlı olup olmadığını belirlemek amacıyla daha fazla doğrulama, farklı hasta gruplarında test ve dikkatli klinik değerlendirme gerekiyor.
