要約:
米国の研究者らは、顔の特徴に基づいて患者の生物学的年齢を推定し、死亡リスクを直接評価できる新世代の顔健康認識モデルを開発しました。研究の結果、これらの顔画像にはがん患者の予後に関する情報が含まれていることが示されており、将来的には医師が患者の体調をより包括的に評価し、治療計画を立てる際の参考になる可能性がある。
FAHR-Face と呼ばれるこの基本的な人工知能モデルは、米国マサチューセッツ州の総合医療機関であるマサチューセッツ ジェネラル ブリガムの研究チームによって開発され、さまざまな年齢や民族の 4,000 万枚以上の顔写真を使用してトレーニングされました。これに基づいて、研究者らは 2 つの補完的な分析ツール、FAHR-FaceAge と FAHR-FaceSurvival を開発しました。前者は人の生物学的年齢を推定し、この情報をがんの予後の評価に役立てます。後者は、年齢を推定して間接的に結果を推測するのではなく、顔写真から直接がん患者の生存リスクを予測します。
研究チームは、がん患者の臨床写真とその後の医療転帰を使用してモデルをトレーニングしました。その中で、FAHR-FaceSurvival は、対象を絞ったトレーニングにがん患者の 34,363 枚の顔写真を使用し、独立した患者データセットで検証されました。このようにして研究者らは、人工知能が患者の体調や生存結果に関連する顔画像からの信号を識別できるようにしたいと考えている。
研究結果は、FAHR-FaceSurvival が強力なリスク識別能力を持っていることを示しています。モデル予測結果によると、死亡リスク範囲が最も高い 10% の患者の約半数が 90 日以内に死亡しました。一方、リスク範囲が最も低い 10% の患者の割合は約 2% でした。四分位に従って比較すると、最も高いリスク群の死亡リスクも最も低いリスク群よりも有意に高く、調整後のハザード比は 3.23 でした。
研究者らはまた、人工知能によって推定された生物学的年齢と実際の年齢とのギャップが、がん患者の生存転帰にも関連していることを発見しました。放射線治療を受けた患者のうち、顔が実年齢より少なくとも5歳以上老けて見える患者は、平均約4年間の追跡期間中の死亡リスクが21パーセント高かった。顔が実年齢より少なくとも5歳若く見える人は、死亡リスクが17パーセント低かった。
これは、若く見える人が必ずしもがんとの闘いに優れているという意味ではありません。この研究における生物学的年齢は、外見に基づいて人工知能によって推定される指標であり、細胞の老化、臓器の機能、または免疫系の状態を直接測定するものではありません。これは、体の運動、筋肉と軟組織の変化、その他の健康関連要因の組み合わせを反映していると考えられますが、モデルがどの特定の生理学的信号を特定するのかは、まだ完全には理解されていません。
モデルの注目領域を分析することにより、研究者らは 2 つのツールが注目する顔の位置が異なることを発見しました。 FAHR-FaceAge は主に、鼻から口角、額、こめかみの領域までのほうれい線を分析します。 FAHR-FaceSurvival は、目の下と鼻梁の周囲に重点を置いています。これは、生物学的年齢の予測と生存リスクの予測が異なる顔情報に依存している可能性があることを示唆しています。
研究チームは、このテクノロジーが将来、医師が手術、放射線療法、または全身薬物治療のいずれを使用するかを決定する前に、患者の体力と虚弱性をより適切に評価するのに役立つ可能性があると考えています。高齢の患者、複雑な病状を抱えている患者、または完全な従来のバイオマーカーデータを欠いている患者にとって、顔写真分析は、低コストで操作が簡単な補助評価方法となることが期待されています。
この研究では、ライフスタイルと顔の生物学的年齢との間に関連性があり、最も顕著な関連性として喫煙があり、顔が老けて見えることも判明しました。過度のアルコール摂取や薬物使用も同様の現象に関連しています。研究者らはまた、FAHR-FaceAgeはさまざまな撮影角度、照明、表情、メイクアップ条件下でも一定の安定性を示し、ほとんどの形成外科手術のテスト後も比較的安定した推定結果を維持したが、鼻整形手術ではより小さな変化が生じるだろうとも述べた。
それでも、研究者や外部の専門家は、このテクノロジーはまだ医師の判断に直接代わることはできないと強調しています。モデルの予測が正確だからといって、それが実際の治療結果の向上を自動的に意味するわけではありません。今後の研究では、医師がすでに知っている病歴、検査データ、身体的評価に顔の分析結果を追加することで予測精度がさらに向上し、患者がより良い治療結果を達成できるかどうかを確認する必要があります。
さらに、モデルのトレーニングに使用される患者グループは主に高所得国の出身です。さまざまな民族、年齢層、医療環境に適したものをどのように確保するかは依然として重要な問題です。顔の特徴は民族的背景や既存の病状に関連している可能性があるため、AI はトレーニング データのバイアスも継承する可能性があります。したがって、大規模な応用の前に、より広範な独立した検証と前向き臨床研究が必要です。
関連する研究結果は、「The Lancet Digital Health」に掲載されています。研究チームは、将来的には、通常の写真からより定量化可能な健康指標を抽出できるようになり、外見だけで患者の治療の機会を判断するのではなく、顔分析が臨床リスク評価の補助ツールになることを期待している。
コメント