AI nauczyło odczytywać wiek człowieka ze zdjęcia twarzy

Twarz jest lustrem stanu zdrowia

Doświadczeni lekarze onkolodzy wiedzą już na pierwszy rzut oka są w stanie określić postępy choroby, które odbijają się na wyglądzie chorego. Ale okazuje się, że sztuczna inteligencja potrafi to zrobić jeszcze dokładniej. Algorytm AI FaceAge został wytrenowany na ponad 58 tysiącach zdjęć twarzy domniemanie zdrowych osób w wieku 60+. Następnie przetestowano go na ponad fotografiach 6000 pacjentów onkologicznych z trzech dużych ośrodków klinicznych w Holandii i USA. 

Badanie potwierdziło to, co intuicyjnie potrafili wyczuć lekarze: im wyższy wiek twarzy w stosunku do wieku metrykalnego, tym gorsze rokowanie na przeżycie, nawet po uwzględnieniu takich czynników jak typ nowotworu czy ogólny stan zdrowia. Każde 10 lat różnicy między wiekiem biologicznym a wiekiem rzeczywistym oznacza zwiększenie ryzyka zgonu o 15–20%.  

Jednym z najbardziej zaskakujących odkryć był wniosek, że pacjenci onkologiczni wyglądają średnio o prawie 5 lat starzej niż wynika to z ich wieku metrykalnego. I nie chodzi tu o subiektywne wrażenia wyglądu, ale biologiczne oznaki choroby. Zasada ta został potwierdzona dla wszystkich typach nowotworów, w tym piersi, układu pokarmowego, moczowego i płuc.

Ponadto sztuczna inteligencja udowodniła, że osoby palące papierosy wyglądają średnio o 33 miesiące starzej niż osoby, które nigdy nie paliły. Z kolei indeks masy ciała (BMI) prawie nie wpływał na wiek twarzy, podobnie jak sprawność fizyczna.

AI

Jak FaceAge wypada w porównaniu z doświadczonymi lekarzami w przewidywaniu przeżycia, zwłaszcza u pacjentów u kresu życia?

W eksperymencie porównawczym 10 pracowników ochrony zdrowia (w tym onkolodzy i rezydenci) miało za zadanie ocenić prawdopodobieństwo przeżycia 6 miesięcy przez 100 pacjentów z przerzutami. Oceniali ich na podstawie: (1) samego zdjęcia twarzy, (2) zdjęcia i dokumentacji medycznej, (3) zdjęcia, dokumentacji i przewidywań modelu FaceAge.

Miara skuteczności: AUC, czyli pole pod krzywą charakterystyki pracy odbiornika. Wyniki:

• Tylko zdjęcie: AUC = 0,61
• Zdjęcie + dane kliniczne: AUC = 0,74
• Zdjęcie + dane + FaceAge: AUC = 0,80

Różnica nie była tylko statystyczna — miała realne znaczenie kliniczne. W sytuacjach, gdzie decyzja o dalszym leczeniu była niejasna, FaceAge poprawiało precyzję oceny i wspierało lekarzy.

Co więcej, lekarze o niższej trafności bazowej szczególnie zyskiwali na dostępie do predykcji AI. W grupie wysokiego ryzyka FaceAge dokładniej prognozowało czas przeżycia niż lekarze czy klasyczne modele, takie jak TEACHH.

4. Twarz i geny: FaceAge a molekularne mechanizmy starzenia

Czy możliwe jest, że predykcja wieku na podstawie zdjęcia odzwierciedla nie tylko wygląd, ale także procesy molekularne?

Zespół badaczy porównał wyniki FaceAge i wieku metrykalnego z danymi genetycznymi 146 pacjentów z rakiem płuca. Skupiono się na 22 genach związanych ze starzeniem komórkowym, takich jak TP53, ATM czy CDK6.

Najważniejszy wynik? FaceAge wykazywał istotną korelację z genem CDK6, który odpowiada za kontrolę cyklu komórkowego i opóźnia senescencję. Wiek metrykalny takiej zależności nie wykazywał.

Choć analiza była ograniczona do jednej grupy i wymaga potwierdzenia, sugeruje, że FaceAge może stanowić biomarker biologicznego starzenia — widoczny na twarzy, ale zakorzeniony w genach.

Zakończenie: Spojrzenie w przyszłość z FaceAge

W erze medycyny spersonalizowanej FaceAge to cichy przełom. Niskokosztowy, nieinwazyjny i łatwy do wdrożenia system przewidywania wieku biologicznego, który przewyższa klasyczne miary wieku i stanu zdrowia.

Potencjalne zastosowania są szerokie:

• Zdrowie publiczne – screening populacji pod kątem przyspieszonego starzenia.
• Medycyna prewencyjna – monitoring efektów stylu życia.
• Geriatria – lepsze dopasowanie intensywności leczenia.

Oczywiście system nie jest pozbawiony ograniczeń: zdjęcia treningowe pochodzą głównie od osób publicznych, mogą zawierać modyfikacje, a niektóre populacje są niedoreprezentowane. Ale mimo to, FaceAge wykazał konsekwentną skuteczność w trzech niezależnych kohortach klinicznych. To narzędzie przypomina nam, że twarz opowiada historię. A dzięki sztucznej inteligencji, zaczynamy ją rozumieć — z zadziwiającą precyzją.

Algorytm głębokiego uczenia FaceAge wykorzystuje zdjęcia i może pomóc onkologom w dostosowaniu leczenia. Nowe narzędzie sztucznej inteligencji opracowane przez naukowców z Mass General Brigham i Harvard Medical School wykorzystuje zdjęcie twarzy pacjenta do przewidywania wieku biologicznego i czasu przeżycia nowotworu, co lekarze mogą wykorzystać do dostosowania leczenia.

„Wszyscy wiemy, że ludzie starzeją się w różny sposób. Wiek chronologiczny danej osoby opiera się na dniu jej urodzenia, ale nie jest to to samo, co wiek biologiczny, który w rzeczywistości jest wskaźnikiem jej zdrowia fizycznego i oczekiwanej długości życia” – powiedział Hugo Aerts, współautor badania, dyrektor programu sztucznej inteligencji w medycynie w MGB oraz profesor radiologii onkologicznej w HMS. „Wiek biologiczny człowieka zależy od wielu czynników, takich jak styl życia, genetyka i inne czynniki zdrowotne. Doszliśmy do wniosku, że wygląd osoby może faktycznie odzwierciedlać jej wiek biologiczny”.

Naukowcy z programu sztucznej inteligencji w medycynie MGB przeszkolili algorytm głębokiego uczenia FaceAge na ponad 58 000 zdjęć zdrowych osób o znanym wieku oraz na ponad 6000 zdjęć pacjentów chorych na raka, których wiek i wyniki leczenia były znane. Algorytm wykazał, że FaceAge pacjentów chorych na raka był średnio o pięć lat starszy od ich wieku chronologicznego. Stwierdzono również, że starszy wygląd wiązał się z gorszymi wynikami leczenia pacjentów cierpiących na kilka rodzajów nowotworów. „Wpadliśmy na pomysł, że wygląd osoby może faktycznie odzwierciedlać jej wiek biologiczny”.

Ocenianie stanu zdrowia na podstawie wyglądu nie jest niczym nowym, powiedział Aerts. Lekarze rutynowo dokonują oceny wizualnej – nazywanej przez Aertsa „testem wzrokowym” – kiedy wchodzą do pokoju. Może ona obejmować takie kwestie, jak to, czy pacjent porusza się na wózku inwalidzkim, jak wygląda na silnego i czy widać, że jest chory. Badania wykazały jednak, że test wzrokowy – przynajmniej w przypadku lekarzy – nie jest zbyt dobrym wskaźnikiem krótkoterminowej oczekiwanej długości życia.

W opublikowanym na początku maja w czasopiśmie „The Lancet Digital Health” badaniu, finansowanym przez Narodowy Instytut Zdrowia, poproszono 10 klinicystów i naukowców o przewidzenie krótkoterminowej oczekiwanej długości życia na podstawie zdjęć 100 pacjentów w terminalnej fazie choroby, którzy byli poddawani paliatywnej radioterapii. Średnio osiągnęli oni wyniki tylko nieznacznie lepsze od przypadkowych, nawet znając takie informacje, jak wiek chronologiczny pacjenta i stan jego nowotworu. Prognozy poprawiły się jednak, gdy lekarze otrzymali informacje o wieku twarzy tych pacjentów.

Raymond Mak, wykładowca programu Artificial Intelligence in Medicine, profesor nadzwyczajny radiologii onkologicznej w HMS i współautor badania, powiedział, że lepsze zrozumienie wieku biologicznego pacjenta i tego, ile czasu prawdopodobnie mu pozostało, pozwala onkologom lepiej dostosować leczenie. Opisał pacjenta z rakiem płuc, który mimo 86 lat wyglądał znacznie młodziej. Był to czynnik, który skłonił Maka do zaproponowania bardziej agresywnego leczenia. Dzisiaj mężczyzna ten ma 90 lat i nadal czuje się dobrze. Kiedy Mak użył FaceAge do analizy zdjęcia pacjenta w momencie leczenia, algorytm określił jego wiek biologiczny jako o 10 lat młodszy od wieku chronologicznego. Mak powiedział, że może być również odwrotnie i pacjenci, którzy są słabsi niż sugeruje ich wiek chronologiczny, mogą wymagać mniej intensywnego leczenia, ponieważ tylko takie jest w stanie tolerować ich organizm. „Stawiamy hipotezę, że FaceAge może być wykorzystywany jako biomarker w leczeniu nowotworów do określania wieku biologicznego pacjenta i pomagania lekarzom w podejmowaniu trudnych decyzji” – powiedział Mak.

Mak i Aert twierdzą, że FaceAge okazał się skuteczny w przypadku kilku różnych rodzajów nowotworów i badają jego potencjalną przydatność w przewidywaniu wyników leczenia innych chorób. Algorytm wykorzystuje głębokie uczenie się, co oznacza, że uczy się na podstawie tysięcy zdjęć osób, których wyniki leczenia są znane. Naukowcy nie wiedzą jednak, na jakie konkretne cechy zwraca uwagę FaceAge – powiedział Aert. Prawdopodobnie algorytm wychwytuje inne rzeczy niż lekarz, takie jak zmarszczki, siwe włosy i łysienie. Jeśli to prawda, byłoby to szczególnie przydatne, ponieważ wnosiłoby inne spojrzenie na analizę stanu pacjenta przeprowadzaną przez lekarzy.

Aerts i Mak twierdzą, że FaceAge nie będzie używany samodzielnie do określania sposobu postępowania, ale będzie raczej narzędziem dostępnym dla lekarzy. Może on nie tylko pomóc w ustaleniu wstępnego leczenia, ale także monitorować zmiany w czasie, ostrzegając lekarza, jeśli stan pacjenta wydaje się pogarszać. Zanim jednak zostanie zastosowany w klinice, wymaga dodatkowych testów na różnych grupach pacjentów. „W klinice wpływ może być bardzo duży, ponieważ mamy teraz sposób na bardzo łatwe monitorowanie stanu zdrowia pacjenta w sposób ciągły – przed, w trakcie i po leczeniu – co może pomóc nam lepiej przewidzieć ryzyko powikłań po np. poważnej operacji lub innych zabiegach” – powiedział Aerts.

Na podstawie informacji zawartych w źródłach w ramach badania opracowano i zweryfikowano FaceAge, system głębokiego uczenia się przeznaczony do szacowania wieku biologicznego na podstawie zdjęć twarzy. Głównym celem było wykorzystanie tego systemu do szacowania wieku biologicznego w sposób bardziej wiarygodny niż wiek chronologiczny oraz ocena jego przydatności w medycynie, w szczególności w celu poprawy prognozowania.

Najważniejsze wyniki badania FaceAge:

1. Opracowanie i walidacja:

• System głębokiego uczenia FaceAge został przeszkolony na danych pochodzących od 58 851 osób w wieku 60 lat lub starszych, uznanych za zdrowe, z bazy danych IMDb–Wiki, a następnie wstępnie zweryfikowany na 2547 osobach z bazy danych UTKFace.
• Przydatność kliniczną oceniono na podstawie danych 6196 pacjentów z rozpoznaniem nowotworów z dwóch ośrodków w Holandii i Stanach Zjednoczonych, a konkretnie z kohort MAASTRO, Harvard Thoracic i Harvard Palliative. Szacunki FaceAge w tych kohortach nowotworowych porównano z kohortą referencyjną 535 osób bez nowotworów.
• Proces FaceAge obejmuje wykrywanie twarzy za pomocą kaskadowej sieci neuronowej konwolucyjnej oraz ekstrakcję cech i przewidywanie wieku poprzez regresję z wykorzystaniem sieci neuronowej konwolucyjnej Inception-ResNet v1. Model wykazał dobrą skuteczność w zakresie wieku istotnym z klinicznego punktu widzenia (60 lat i starsi) przy średnim błędzie bezwzględnym wynoszącym 4,09 roku.

2. Różnica między FaceAge a wiekiem chronologicznym:

• Godnym uwagi odkryciem było to, że średnio pacjenci z rakiem wyglądali na starszych niż wskazywałby na to ich wiek chronologiczny. W połączonych kohortach nowotworowych (n=6367) średni wzrost FaceAge w porównaniu z wiekiem chronologicznym wyniósł 4,79 lat (dopasowany dwustronny test t p<0,001). Różnica ta była spójna w różnych typach nowotworów.
• Kontrastuje to z wynikami uzyskanymi w przypadku osób uznanych za zdrowe w zbiorze danych walidacyjnych UTK, gdzie średnia różnica między FaceAge a wiekiem chronologicznym była znacznie mniejsza (średni wzrost o 0,35 roku) (nieparzysty dwustronny test t p<0,0001). Sugeruje to, że osoby z ogółu populacji wyglądają bardziej podobnie do swojego wieku chronologicznego.
• Ponadto pacjenci leczeni z powodu łagodnych schorzeń lub raka przewodowego in situ (kohorty bez nowotworów) mieli mniejszą różnicę między FaceAge a wiekiem chronologicznym niż pacjenci z rakiem. Mediana różnicy dla pacjentów z łagodnymi schorzeniami wynosiła 1,95 roku, dla pacjentów z rakiem przewodowym in situ 3,86 roku, a dla pacjentów z rakiem 4,55 roku (p < 0,0001 przy porównaniu każdej z grup bez nowotworów z pacjentami z rakiem). Wskazuje to, że starszy wygląd określony za pomocą FaceAge jest szczególnie wyraźny u pacjentów z nowotworami.

3. Skuteczność prognostyczna FaceAge:

• FaceAge wykazało znaczącą niezależną skuteczność prognostyczną w różnych typach i stadiach nowotworów. Starszy wygląd (wyższy FaceAge) był skorelowany z gorszym całkowitym czasem przeżycia po uwzględnieniu zmiennych towarzyszących.
• W kohorcie 4906 pacjentów z różnymi nowotworami z MAASTRO FaceAge wykazało znaczącą skuteczność prognostyczną (p = 0,0013) po uwzględnieniu wieku, płci i lokalizacji nowotworu. Analiza przeżycia metodą Kaplana-Meiera wykazała dobre rozwarstwienie ryzyka śmiertelności wraz ze wzrostem grup ryzyka FaceAge.
• W kohorcie Harvard Thoracic (n = 573) FaceAge był statystycznie istotnie związany z całkowitym przeżyciem w analizie wielowymiarowej po uwzględnieniu czynników klinicznych, takich jak stadium kliniczne, stan sprawności ECOG, historia palenia tytoniu, płeć, histologia i zamiar leczenia (współczynnik ryzyka na dekadę [HR] 1,15 [95% CI 1,03–1,28]; p = 0,011). Natomiast wiek chronologiczny nie był istotnie powiązany z przeżywalnością ani w analizie jednoczynnikowej, ani wieloczynnikowej w tej kohorcie (1,08 [0,97–1,21]; p = 0,16).
• Dodanie FaceAge do modelu wielowymiarowego znacznie zwiększyło moc wyjaśniającą modelu w kohorcie Harvard Thoracic (test log-likelihood ratio, statystyka χ², 1 stopień swobody 6,501; p = 0,0108), czego nie zaobserwowano po dodaniu wieku chronologicznego (1,965; p = 0,16). Wyniki te wskazują, że FaceAge konsekwentnie poprawia prognozowanie, podczas gdy wiek nie ma takiego wpływu. FaceAge rejestruje informacje prognostyczne, które nie są zawarte w innych badanych parametrach klinicznych.
• FaceAge wykazał również znaczącą skuteczność prognostyczną w zbiorze danych Harvard Palliative (n=717) dotyczących pacjentów w końcowej fazie życia z przerzutowym rakiem. Był on istotnie związany z przeżywalnością zarówno w analizie jednoczynnikowej (HR na dekadę 1,10 [95% CI 1,01–1,21]; p=0,035), jak i wieloczynnikowej (HR na dekadę 1,12 [1,02–1,23]; p=0,021), podczas gdy wiek chronologiczny nie był istotny. Dodanie FaceAge do modelu wielowymiarowego znacznie zwiększyło moc wyjaśniającą (test log-likelihood ratio, statystyka χ², 1 stopień swobody 5,439; p = 0,020).
• Badanie wykazało, że FaceAge sprawdził się zarówno u pacjentów leczonych z zamiarem wyleczenia, których oczekiwana długość życia wynosiła kilka lat, jak i u pacjentów w końcowej fazie życia, których oczekiwana długość życia wynosiła od kilku tygodni do kilku miesięcy.

4. Przydatność kliniczna i poprawa trafności prognoz lekarzy:

• W ramach bezpośredniego zastosowania klinicznego w badaniu oceniono skuteczność FaceAge u pacjentów poddanych leczeniu paliatywnemu. Pacjenci ci odnoszą znaczne korzyści z modeli prognozowania klinicznego, które pomagają w podejmowaniu decyzji dotyczących intensywności i odpowiedniości leczenia.
• Naukowcy ocenili dodatkową skuteczność FaceAge w modelu TEACHH, zatwierdzonym modelu oceny ryzyka dla pacjentów objętych opieką paliatywną. Zastąpienie wieku chronologicznego FaceAge w modelu TEACHH wykazało tendencję do wzrostu logarytmicznego współczynnika prawdopodobieństwa i spowodowało lepsze rozdzielenie grup ryzyka według przeżywalności. Na przykład grupa najwyższego ryzyka zdefiniowana przez FaceAge miała niższą medianę przeżywalności i wyższy współczynnik HR w porównaniu z grupą najwyższego ryzyka zdefiniowaną według wieku chronologicznego.
• Aby ocenić wpływ na podejmowanie decyzji klinicznych, przeprowadzono ankietę wśród dziesięciu pracowników medycznych i badawczych, którzy przewidywali 6-miesięczne przeżycie 100 pacjentów z kohorty Harvard Palliative. Skuteczność prognozowania 6-miesięcznego przeżycia przez ludzi znacznie wzrosła, gdy udostępniono im zdjęcia twarzy w połączeniu z informacjami z kart klinicznych (AUC 0,74 [95% CI 0,70–0,78]) w porównaniu z samymi zdjęciami twarzy (0,61 [0,57–0,64]) (p=0,0002).
• Co istotne, wyniki uzyskane przez Państwa poprawiły się jeszcze bardziej, gdy oprócz informacji zawartych w kartach klinicznych udostępniono Państwu model ryzyka FaceAge (łączący czynniki kliniczne z FaceAge) (AUC 0,80 [95% CI 0,76–0,83]) (p<0,0001 w porównaniu z samym zdjęciem i kartą kliniczną). Podkreśla to kliniczne zastosowanie algorytmu w podejmowaniu decyzji dotyczących końca życia. Wydajność najlepszych lekarzy nie różniła się statystycznie od samego modelu ryzyka FaceAge (0,81 [0,71–0,91]) (p=0,55).

5. Związek z molekularnymi mechanizmami starzenia się:

• Przeprowadzono analizę genetyczną DNA limfocytów pobranych od 146 osób z Harvard Thoracic Cohort w celu oceny potencjału FaceAge jako biomarkera molekularnego starzenia się w porównaniu z wiekiem chronologicznym.
• Analiza skupiała się na 22 genach znanych z powiązania ze starzeniem się, w tym genach znalezionych dzięki podejściu opartemu na danych z wykorzystaniem GeneMania.
• Badanie wykazało, że FaceAge był istotnie powiązany z CDK6 po skorygowaniu o wielokrotne porównania (wskaźnik fałszywych odkryć wynoszący 0,25). CDK6 odgrywa rolę w regulacji cyklu komórkowego i jest omawiany w kontekście opóźniania starzenia się.
• Natomiast żaden gen nie wykazał istotnego związku z wiekiem chronologicznym po skorygowaniu o wielokrotne porównania. Potwierdza to hipotezę, że FaceAge jest biomarkerem związanym ze starzeniem biologicznym, odrębnym od wieku chronologicznego i potencjalnie użytecznym do odkrywania powiązań z genami związanymi ze starzeniem biologicznym.

6. Wpływ stylu życia i czynników klinicznych na FaceAge:

• W badaniu oceniono wpływ czynników stylu życia na różnicę między FaceAge a wiekiem chronologicznym w kohorcie MAASTRO.
• Stwierdzono, że osoby obecnie palące wyglądają znacznie starzej (średni wzrost o 33,24 miesiąca; nieparzysty dwustronny test t t=4,78 [95% CI 1,63–3,91]; p<0,001) niż osoby, które rzuciły palenie i nigdy nie paliły.
• Ocena BMI wykazała statystycznie istotny związek z różnicą między FaceAge a wiekiem chronologicznym (n=1295; r −0,0999; p<0,0001), ale wielkość efektu była minimalna, co wskazuje na słaby związek.
• W odniesieniu do stanu sprawowania ECOG, który jest wykorzystywany do stratyfikacji klinicznej, nie stwierdzono statystycznie istotnych różnic między grupami ECOG (0, 1, 2, 3) w różnicy między FaceAge a wiekiem chronologicznym ani w kohorcie MAASTRO, ani w kohorcie Harvard (nieparzysty dwustronny test t p>0,092). Sugeruje to, że FaceAge kwantyfikuje informacje biologiczne, które różnią się od stanu sprawowania pacjenta.

Podsumowując, w ramach badania udało się opracować i zweryfikować FaceAge, model głębokiego uczenia się, który szacuje wiek biologiczny na podstawie zdjęć twarzy. Wyniki pokazują, że pacjenci z rakiem mają zazwyczaj wyższy FaceAge niż ich wiek chronologiczny, a ten „starszy wygląd” jest istotnie związany z gorszymi wynikami przeżycia w różnych typach i stadiach raka. FaceAge okazał się lepszym predyktorem przeżycia niż wiek chronologiczny, dostarczając niezależnych informacji prognostycznych i poprawiając moc wyjaśniającą modeli prognostycznych.

Ponadto włączenie prognoz FaceAge do narzędzi podejmowania decyzji klinicznych znacznie poprawiło zdolność lekarzy do przewidywania przeżycia pacjentów, szczególnie w opiece paliatywnej. Związek FaceAge z genem CDK6 związanym ze starzeniem się potwierdza jego interpretację jako biomarkera związanego z biologicznym starzeniem się. Chociaż czynniki związane ze stylem życia, takie jak palenie tytoniu, były związane z FaceAge, model ten uchwycił informacje odmienne od standardowych ocen klinicznych, takich jak stan sprawności ECOG. W badaniu stwierdzono, że cechy twarzy widoczne na zdjęciach zawierają informacje prognostyczne, które algorytmy głębokiego uczenia mogą wykorzystać do poprawy prognoz dotyczących przeżycia pacjentów z rakiem, co sugeruje, że FaceAge może być potencjalnym obiektywnym i ilościowym wskaźnikiem klinicznym. Jednak przed wdrożeniem klinicznym konieczne są dalsze badania i walidacja w większych, bardziej zróżnicowanych kohortach, uwzględniające kwestie techniczne i etyczne, takie jak potencjalne błędy systematyczne.

Autor