Mass General Brigham Kanser Enstit\u00fcs\u00fc ara\u015ft\u0131rmac\u0131lar\u0131, y\u00fcz foto\u011fraflar\u0131n\u0131 analiz ederek ki\u015finin biyolojik ya\u015f\u0131n\u0131 tahmin etmeyi ve kanser hastalar\u0131n\u0131n tedavi s\u00fcrecindeki \u00f6l\u00fcm riskini de\u011ferlendirmeyi ama\u00e7layan iki yapay zeka modeli geli\u015ftirdi. Ara\u015ft\u0131rmada kullan\u0131lan sistemler, bir y\u00fcz g\u00f6r\u00fcnt\u00fcs\u00fcnden elde edilen \u00f6r\u00fcnt\u00fcleri sa\u011fl\u0131kla ili\u015fkili g\u00f6stergelere d\u00f6n\u00fc\u015ft\u00fcr\u00fcyor. Bu yakla\u015f\u0131m, \u00f6zellikle yo\u011fun kanser tedavilerinden \u00f6nce hastan\u0131n genel sa\u011fl\u0131k durumunu ve tedaviye dayan\u0131kl\u0131l\u0131\u011f\u0131n\u0131 de\u011ferlendirmeye yard\u0131mc\u0131 olabilecek yeni bir ara\u015ft\u0131rma alan\u0131 sunuyor.<\/p>\n
Modeller, doktorlar\u0131n klinik de\u011ferlendirmesinin veya mevcut t\u0131bbi testlerin yerine ge\u00e7mek \u00fczere de\u011fil, onlar\u0131 destekleyebilecek ara\u00e7lar olarak tasarland\u0131. Y\u00fcz foto\u011fraf\u0131ndan elde edilen tahminler tek ba\u015f\u0131na kesin bir sa\u011fl\u0131k sonucu ya da ki\u015finin ne zaman hayat\u0131n\u0131 kaybedece\u011fine ili\u015fkin bireysel bir \u00f6ng\u00f6r\u00fc olarak yorumlanmamal\u0131. Bulgular, yapay zekan\u0131n y\u00fcz g\u00f6r\u00fcnt\u00fclerinde sa\u011fl\u0131k ve ya\u015flanmayla ba\u011flant\u0131l\u0131 olabilecek \u00f6r\u00fcnt\u00fcleri saptama potansiyelini inceliyor.<\/p>\n
Ara\u015ft\u0131rman\u0131n temelinde FAHR-Face<\/strong> ad\u0131 verilen bir yapay zeka modeli bulunuyor. Sistem, 42 milyondan fazla y\u00fcz foto\u011fraf\u0131yla e\u011fitildi. E\u011fitim s\u0131ras\u0131nda masked autoencoder<\/i> olarak bilinen \u00f6z denetimli \u00f6\u011frenme yakla\u015f\u0131m\u0131ndan yararlan\u0131ld\u0131. Bu y\u00f6ntemde foto\u011fraflar\u0131n baz\u0131 b\u00f6l\u00fcmleri modelden gizleniyor ve modelden eksik k\u0131s\u0131mlar\u0131 mevcut g\u00f6rsel bilgiler do\u011frultusunda yeniden olu\u015fturmas\u0131 isteniyor. B\u00f6ylece sistem, y\u00fcz\u00fcn farkl\u0131 b\u00f6lgeleri aras\u0131ndaki ili\u015fkileri ve g\u00f6rsel \u00f6r\u00fcnt\u00fcleri \u00f6\u011frenebiliyor.<\/p>\n FAHR-Face, bu \u00f6\u011frenilmi\u015f temeli kullanarak sa\u011fl\u0131kla ba\u011flant\u0131l\u0131 olabilecek dijital biyobelirte\u00e7ler \u00e7\u0131karmak \u00fczere geli\u015ftirildi. Ara\u015ft\u0131rmac\u0131lar ayn\u0131 temel modelden iki ayr\u0131 uygulama olu\u015fturdu: FAHR-FaceAge<\/strong> biyolojik ya\u015fla ili\u015fkili tahminlere, FAHR-FaceSurvival<\/strong> ise kanser hastalar\u0131n\u0131n hayatta kalma sonu\u00e7lar\u0131 ve \u00f6l\u00fcm riski s\u0131n\u0131fland\u0131rmas\u0131na odaklan\u0131yor. Bu ayr\u0131m, ya\u015flanma g\u00f6stergelerini de\u011ferlendirmek ile kanser tedavisi g\u00f6ren bir grubun sonu\u00e7lar\u0131n\u0131 incelemenin farkl\u0131 ara\u015ft\u0131rma sorular\u0131 oldu\u011funu ortaya koyuyor.<\/p>\n Takvim ya\u015f\u0131, ki\u015finin do\u011fum tarihinden hesaplanan ya\u015f\u0131d\u0131r. Biyolojik ya\u015f kavram\u0131 ise v\u00fccudun genel olarak ne \u00f6l\u00e7\u00fcde ya\u015flanm\u0131\u015f olabilece\u011fini ifade etmek i\u00e7in kullan\u0131l\u0131r. Bu iki ya\u015f her zaman ayn\u0131 olmayabilir: ayn\u0131 takvim ya\u015f\u0131ndaki ki\u015filer sa\u011fl\u0131k durumu, ya\u015fam ko\u015fullar\u0131 ve fizyolojik \u00f6zellikleri bak\u0131m\u0131ndan farkl\u0131l\u0131k g\u00f6sterebilir. FAHR-FaceAge, y\u00fcz foto\u011fraf\u0131ndaki g\u00f6rsel \u00f6r\u00fcnt\u00fclerden hareketle bu farkl\u0131l\u0131klar\u0131 ara\u015ft\u0131rmay\u0131 ve biyolojik ya\u015fla ili\u015fkili bir tahmin \u00fcretmeyi ama\u00e7l\u0131yor.<\/p>\n Modelin takvim ya\u015f\u0131n\u0131 tahmin etme performans\u0131 test edildi\u011finde ortalama hata 5,1 y\u0131l olarak bildirildi. Kar\u015f\u0131la\u015ft\u0131rma yap\u0131lan di\u011fer modelde hata 6,92 y\u0131ld\u0131. Bu \u00f6l\u00e7\u00fcm, modelin y\u00fcz foto\u011fraf\u0131ndan takvim ya\u015f\u0131n\u0131 ne kadar isabetli tahmin etti\u011fini de\u011ferlendiren bir performans g\u00f6stergesidir; tek ba\u015f\u0131na ki\u015finin biyolojik ya\u015f\u0131n\u0131 kesin olarak \u00f6l\u00e7t\u00fc\u011f\u00fcn\u00fc kan\u0131tlamaz. Ara\u015ft\u0131rmada biyolojik ya\u015f tahminleri ile \u00f6l\u00fcm riski aras\u0131nda da istatistiksel bir ili\u015fki incelendi.<\/p>\n Sonu\u00e7lara g\u00f6re FAHR-FaceAge taraf\u0131ndan ger\u00e7ek takvim ya\u015f\u0131ndan en az be\u015f y\u0131l daha ya\u015fl\u0131 tahmin edilen ki\u015filerde \u00f6l\u00fcm riski y\u00fczde 21 daha y\u00fcksek bulundu. Ger\u00e7ek ya\u015f\u0131ndan en az be\u015f y\u0131l daha gen\u00e7 tahmin edilen grupta ise hayatta kalma oran\u0131 y\u00fczde 17 daha y\u00fcksekti. Bu oranlar, incelenen ara\u015ft\u0131rma gruplar\u0131ndaki g\u00f6zlemleri ifade ediyor; belirli bir ki\u015finin riskinin ayn\u0131 miktarda artaca\u011f\u0131 ya da azalaca\u011f\u0131 anlam\u0131na gelmiyor.<\/p>\n Ara\u015ft\u0131rmac\u0131lar, makyaj, g\u00f6zl\u00fck, y\u00fcz germe ameliyat\u0131 ve farkl\u0131 \u0131\u015f\u0131k ko\u015fullar\u0131n\u0131n ya\u015f tahminlerini \u00f6nemli \u00f6l\u00e7\u00fcde de\u011fi\u015ftirmedi\u011fini bildirdi. Burun esteti\u011fi yap\u0131lm\u0131\u015f ki\u015filerin foto\u011fraflar\u0131nda ise k\u00fc\u00e7\u00fck tahmin hatalar\u0131 g\u00f6zlendi. Bu t\u00fcr bulgular, foto\u011fraf\u0131n \u00e7ekim ko\u015fullar\u0131n\u0131n ve ki\u015finin y\u00fcz\u00fcndeki de\u011fi\u015fikliklerin model performans\u0131na etkisini anlamak a\u00e7\u0131s\u0131ndan \u00f6nemli. Ancak farkl\u0131 y\u00fcz \u00f6zelliklerine sahip gruplarda ve \u00e7e\u015fitli klinik ortamlarda sistemin ne kadar tutarl\u0131 sonu\u00e7 verece\u011finin daha kapsaml\u0131 bi\u00e7imde de\u011ferlendirilmesi gerekiyor.<\/p>\n FAHR-FaceSurvival<\/strong>, radyoterapi alan 34 binden fazla kanser hastas\u0131n\u0131n foto\u011fraflar\u0131 kullan\u0131larak e\u011fitildi. Model, yakla\u015f\u0131k 4 bin ve 5 bin hastadan olu\u015fan iki ayr\u0131 grupta daha test edildi. Ara\u015ft\u0131rmac\u0131lar, sistemin hastalar\u0131 g\u00f6zlenen \u00f6l\u00fcm riski bak\u0131m\u0131ndan farkl\u0131 gruplara ay\u0131rabildi\u011fini bildirdi. En y\u00fcksek risk grubundaki hastalar\u0131n \u00f6l\u00fcm oran\u0131, en d\u00fc\u015f\u00fck risk grubundakilerin oran\u0131ndan \u00fc\u00e7 kat\u0131 a\u015fk\u0131n d\u00fczeydeydi.<\/p>\n \u00c7al\u0131\u015fmada en y\u00fcksek risk grubundaki hastalar\u0131n y\u00fczde 52’si 90 g\u00fcn i\u00e7inde hayat\u0131n\u0131 kaybetti. En d\u00fc\u015f\u00fck risk grubunda ise ayn\u0131 s\u00fcre i\u00e7inde \u00f6l\u00fcm oran\u0131 y\u00fczde 2,1 olarak kaydedildi. Bu sonu\u00e7lar, modelin ilgili ara\u015ft\u0131rma gruplar\u0131 i\u00e7inde risk d\u00fczeylerini ay\u0131rt etme becerisine i\u015faret ediyor. Bununla birlikte, y\u00fcz foto\u011fraf\u0131 tek ba\u015f\u0131na \u00f6l\u00fcm\u00fcn nedenini belirlemez ve bir hastan\u0131n ki\u015fisel tedavi sonucunu kesin bi\u00e7imde \u00f6ng\u00f6remez. Hastal\u0131\u011f\u0131n t\u00fcr\u00fc ve evresi, uygulanan tedavi, e\u015flik eden sa\u011fl\u0131k sorunlar\u0131 ve di\u011fer klinik bilgiler de de\u011ferlendirmede \u00f6nem ta\u015f\u0131r.<\/p>\n Modellerin y\u00fcz\u00fcn dikkat \u00e7eken farkl\u0131 b\u00f6lgelerinden yararland\u0131\u011f\u0131 bildirildi. FAHR-FaceAge; burun ile a\u011f\u0131z aras\u0131ndaki nazolabial k\u0131vr\u0131mlar, g\u00f6z \u00e7ukurlar\u0131n\u0131n \u00fczerindeki al\u0131n b\u00f6lgesi ve \u015fakaklar gibi alanlara odaklan\u0131yor. FAHR-FaceSurvival ise g\u00f6z alt\u0131 b\u00f6lgesiyle burun k\u00f6pr\u00fcs\u00fcn\u00fcn \u00e7evresindeki g\u00f6rsel \u00f6zellikleri de\u011ferlendiriyor. Bu b\u00f6lgelerin model i\u00e7in neden bilgi ta\u015f\u0131d\u0131\u011f\u0131 hen\u00fcz tek ba\u015f\u0131na a\u00e7\u0131klay\u0131c\u0131 bir klinik mekanizma olarak kabul edilemez; yapay zeka, insan g\u00f6z\u00fcn\u00fcn kolayca fark edemedi\u011fi istatistiksel \u00f6r\u00fcnt\u00fclerden yararlan\u0131yor olabilir.<\/p>\n Kanser tedavileri aras\u0131nda radyoterapi, cerrahi m\u00fcdahale ve sistemik tedaviler gibi yo\u011fun s\u00fcre\u00e7ler bulunabilir. Tedavi \u00f6ncesinde hastan\u0131n genel sa\u011fl\u0131k durumunu, fiziksel kapasitesini ve k\u0131r\u0131lganl\u0131\u011f\u0131n\u0131 de\u011ferlendirmek, bak\u0131m plan\u0131n\u0131n olu\u015fturulmas\u0131na katk\u0131 sa\u011flayabilir. Ara\u015ft\u0131rmac\u0131lara g\u00f6re y\u00fcz foto\u011fraf\u0131ndan elde edilen bir tahmin, mevcut de\u011ferlendirmelere ek bir bilgi kayna\u011f\u0131 olarak incelenebilir. Bug\u00fcn doktorlar bu t\u00fcr kararlar\u0131 klinik deneyim, muayene ve hastaya ait di\u011fer veriler \u00fczerinden veriyor; baz\u0131 durumlarda ek testlere ihtiya\u00e7 duyuluyor.<\/p>\n \u00c7al\u0131\u015fman\u0131n sorumlu yazarlar\u0131ndan radyasyon onkolo\u011fu Raymond Mak, ya\u015flanan n\u00fcfusla birlikte hastalar\u0131n fiziksel kapasitesini ve k\u0131r\u0131lganl\u0131\u011f\u0131n\u0131 tedavi \u00f6ncesinde daha iyi de\u011ferlendirebilecek y\u00f6ntemlere ihtiya\u00e7 bulundu\u011funu vurgulad\u0131. K\u0131demli yazarlardan Hugo Aerts ise yaln\u0131zca y\u00fcz foto\u011fraf\u0131ndan kanser hastalar\u0131n\u0131n hayatta kalma sonu\u00e7lar\u0131yla ili\u015fkili tahminler \u00fcretilebilmesini ara\u015ft\u0131rma a\u00e7\u0131s\u0131ndan \u00f6nemli bir geli\u015fme olarak de\u011ferlendirdi. Bu a\u00e7\u0131klamalar, y\u00f6ntemin mevcut klinik uygulamalara do\u011frudan eklenmi\u015f oldu\u011fu anlam\u0131na gelmiyor; klinik yarar\u0131n\u0131n ayr\u0131ca s\u0131nanmas\u0131 gerekiyor.<\/p>\n Bir yapay zeka modelinin ara\u015ft\u0131rma verilerinde ba\u015far\u0131l\u0131 sonu\u00e7 vermesi, farkl\u0131 hastanelerde ve farkl\u0131 hasta gruplar\u0131nda ayn\u0131 performans\u0131 g\u00f6sterece\u011fini garanti etmez. Sistemin g\u00fcvenilirli\u011fini de\u011ferlendirmek i\u00e7in farkl\u0131 ya\u015f, cilt tonu, y\u00fcz yap\u0131s\u0131 ve sa\u011fl\u0131k durumlar\u0131na sahip ki\u015filerde testler yap\u0131lmas\u0131; foto\u011fraf \u00e7ekim ko\u015fullar\u0131n\u0131n etkisinin incelenmesi ve tahminlerin ba\u011f\u0131ms\u0131z klinik verilerle kar\u015f\u0131la\u015ft\u0131r\u0131lmas\u0131 gerekir. Ayr\u0131ca yanl\u0131\u015f s\u0131n\u0131fland\u0131rman\u0131n tedavi kararlar\u0131n\u0131 etkileyebilece\u011fi durumlarda, sonu\u00e7lar\u0131n nas\u0131l kullan\u0131laca\u011f\u0131 ve doktorlar\u0131n nihai karardaki rol\u00fc a\u00e7\u0131k\u00e7a belirlenmelidir.<\/p>\n Ara\u015ft\u0131rma ekibi, temel FAHR-Face modelinin farkl\u0131 y\u00fcz temelli biyobelirte\u00e7lerin geli\u015ftirilmesini kolayla\u015ft\u0131rabilece\u011fini belirtiyor. Her yeni sa\u011fl\u0131k g\u00f6stergesi i\u00e7in modeli ba\u015ftan e\u011fitmek yerine ortak bir temel \u00fczerinde farkl\u0131 g\u00f6revler olu\u015fturmak, ara\u015ft\u0131rma s\u00fcrecini daha verimli h\u00e2le getirebilir. Ekip ayr\u0131ca kamuya a\u00e7\u0131k bir \u00e7al\u0131\u015fma ba\u015flatarak kat\u0131l\u0131mc\u0131lara yakla\u015f\u0131k 10 dakikada kendi FaceAge tahminlerini g\u00f6rme imk\u00e2n\u0131 sunuyor. Bu t\u00fcr tahminler de tan\u0131 veya ki\u015fisel sa\u011fl\u0131k de\u011ferlendirmesi olarak de\u011fil, ara\u015ft\u0131rma ama\u00e7l\u0131 sonu\u00e7lar olarak ele al\u0131nmal\u0131.<\/p>\n \u00d6zetle, y\u00fcz foto\u011fraf\u0131na dayal\u0131 bu modeller biyolojik ya\u015f ve kanser hastalar\u0131nda \u00f6l\u00fcm riskiyle ili\u015fkili \u00f6r\u00fcnt\u00fcleri inceleyen ara\u015ft\u0131rma ara\u00e7lar\u0131d\u0131r.<\/strong> Bulgular, gelecekte doktorlar\u0131n de\u011ferlendirmelerine ek bilgi sa\u011flayabilecek bir yakla\u015f\u0131m\u0131n m\u00fcmk\u00fcn olabilece\u011fini g\u00f6steriyor. Ancak y\u00f6ntemin klinik kullan\u0131m i\u00e7in g\u00fcvenli ve yararl\u0131 olup olmad\u0131\u011f\u0131n\u0131 belirlemek amac\u0131yla daha fazla do\u011frulama, farkl\u0131 hasta gruplar\u0131nda test ve dikkatli klinik de\u011ferlendirme gerekiyor.<\/p>\nTakvim ya\u015f\u0131 ile biyolojik ya\u015f aras\u0131ndaki fark<\/h2>\n
Kanser hastalar\u0131nda risk s\u0131n\u0131fland\u0131rmas\u0131<\/h2>\n
Klinik kararlar\u0131 destekleme potansiyeli ve s\u0131n\u0131rlar<\/h2>\n