Mass General Brigham येथील संशोधकांनी चेहऱ्याच्या छायाचित्राचे विश्लेषण करून जैविक वय आणि कर्करोगातील जगण्याच्या परिणामांशी संबंधित संकेत शोधणारी कृत्रिम बुद्धिमत्ता साधने विकसित केली आहेत. Lancet Digital Healthमध्ये प्रकाशित झालेला हा अभ्यास, तीव्र उपचारांपूर्वी रुग्णाची शारीरिक क्षमता मोजण्याचा संभाव्य नवा मार्ग सुचवतो—मात्र त्याचवेळी प्रमाणीकरण, गोपनीयता आणि योग्य वैद्यकीय वापराबाबत महत्त्वाचे प्रश्नही उपस्थित करतो.
या प्रणालीला FAHR-Face असे म्हणतात; हे Foundation Artificial Intelligence for Health Recognitionचे संक्षिप्त रूप आहे. ४ कोटींपेक्षा अधिक चेहऱ्यांच्या प्रतिमांवर तिचे प्रशिक्षण करण्यात आले आणि त्यानंतर दोन स्वतंत्र साधनांसाठी तिचा आधार म्हणून वापर करण्यात आला. FAHR-FaceAge चेहऱ्याच्या छायाचित्रावरून जैविक वयाचा अंदाज घेते, तर FAHR-FaceSurvival कर्करोग असलेल्या रुग्णांमधील जगण्याच्या परिणामांचा अंदाज वर्तवते.
कालानुक्रमिक वयापासून शारीरिक क्षमतेपर्यंत
कालानुक्रमिक वय नोंदवणे सोपे आहे; परंतु एखादी व्यक्ती शस्त्रक्रिया, किरणोत्सर्ग किंवा प्रणालीगत उपचार कितपत सहन करू शकेल, हे त्यातून पूर्णपणे स्पष्ट होत नाही. समान वयाच्या दोन व्यक्तींमध्ये अशक्तपणा, तग धरण्याची क्षमता आणि मूळ आजाराचे प्रमाण लक्षणीयरीत्या वेगळे असू शकते. आक्रमक उपचार आणि त्याच्या संभाव्य त्रासांमधील समतोलाचा विचार करताना हे फरक महत्त्वाचे ठरू शकतात.
संशोधकांच्या मते, छायाचित्राचा स्वतंत्र निदान म्हणून वापर करणे हा उद्देश नाही. त्याऐवजी, नियमित प्रतिमेतून मिळवलेले परिमाणात्मक मूल्यमापन भविष्यात प्रस्थापित वैद्यकीय तपासणीला पूरक ठरू शकते. अभ्यासाचे संबंधित लेखक आणि रेडिएशन ऑन्कोलॉजिस्ट Raymond Mak यांनी सांगितले की, डॉक्टरांचा निर्णय बदलणे नव्हे, तर वैयक्तिक उपचारविषयक निर्णयांना पाठबळ देणे ही यामागची भूमिका आहे.
हा फरक मध्यवर्ती आहे. परिणामांशी संबंधित सांख्यिक नमुने ओळखणारे मॉडेल एखाद्या विशिष्ट रुग्णात ते नमुने का आहेत हे सिद्ध करत नाही आणि त्या व्यक्तीला कोणता उपचार मिळावा हेही ठरवत नाही. जास्तीत जास्त, वैद्यकीय इतिहास, कार्यक्षमतेची स्थिती, प्रयोगशाळेतील निष्कर्ष, इमेजिंग आणि डॉक्टरांची तपासणी यांचा समावेश असलेल्या व्यापक मूल्यमापनात ते एक प्रमाणित संकेत जोडू शकते.
अभ्यासात काय आढळले
मॉडेलने अंदाज केलेले जैविक वय आणि रुग्णाचे कालानुक्रमिक वय यांतील अंतर स्वतंत्रपणे जगण्याशी संबंधित असल्याचे विकास व प्रमाणीकरण अभ्यासात आढळले. व्यावहारिकदृष्ट्या, या मॉडेलने मोजल्याप्रमाणे आपल्या कॅलेंडर वयापेक्षा जैविकदृष्ट्या अधिक किंवा कमी वयाचे दिसणे, रोगाच्या अंदाजासाठी उपयुक्त माहिती देऊ शकते, असे संशोधन सूचित करते.
FAHR-FaceAge पूर्वीच्या वय-अंदाज अल्गोरिदमपेक्षा अधिक अचूक असल्याचे आणि छायाचित्रांमधील सामान्य फरकांमध्येही दोन्ही साधने सक्षम राहिल्याचे पथकाने सांगितले. भविष्यातील व्यावहारिक वापरासाठी हे महत्त्वाचे आहे: वैद्यकीय छायाचित्रे नेहमी समान प्रकाश, ठेवण किंवा प्रतिमेच्या गुणवत्तेत घेतली जात नाहीत.
चेहऱ्याच्या प्रतिमेवरून कर्करोगातील जगण्याचा अंदाज थेट तयार करून FAHR-FaceSurvival ही कल्पना आणखी पुढे नेते. प्रत्येक मॉडेलच्या निष्कर्षांवर सर्वाधिक प्रभाव टाकणाऱ्या चेहऱ्याच्या भागांचे दृश्यीकरण लेखात वर्णन केले आहे. अशी दृश्य स्पष्टीकरणे मॉडेलच्या वर्तनाचा अभ्यास करणाऱ्या संशोधकांसाठी उपयुक्त ठरू शकतात; परंतु त्यांना रोगाचा साधा नकाशा समजू नये. AI प्रणालींचा आधार सूक्ष्म वैशिष्ट्यांच्या अशा संयोगांवर असू शकतो, ज्यांचा अर्थ लावणे कठीण असते आणि जे थेट जैविक कारणाऐवजी आरोग्याशी संबंधित घटक प्रतिबिंबित करू शकतात.
संभाव्य मूल्य—आणि आवश्यक सुरक्षा उपाय
छायाचित्रावर आधारित मूल्यमापन आकर्षक ठरू शकते, कारण ते शरीरात हस्तक्षेप न करणारे आणि मोठ्या प्रमाणावर वापरता येण्याजोगे असू शकते. स्वतंत्रपणे प्रमाणीकरण झाल्यास, अधिक काळजीपूर्वक अशक्तपणाचे मूल्यमापन किंवा अतिदक्षता उपचारांच्या जोखमी व फायद्यांबाबत चर्चा आवश्यक असलेल्या रुग्णांची ओळख पटवण्यात ते डॉक्टरांना मदत करू शकते. तज्ज्ञ संसाधने मर्यादित असलेल्या ठिकाणी काही मूल्यमापन अधिक सुसंगत करण्यासही ते मदत करू शकते.
मात्र अशा प्रकारचे तंत्रज्ञान लागू करण्यासाठी कठोर निकष आवश्यक असतील. त्याची कामगिरी केवळ विकासाच्या वातावरणात नव्हे, तर विविध रुग्णसमूहांमध्ये आणि प्रत्यक्ष वैद्यकीय कार्यप्रवाहांमध्ये तपासली पाहिजे. निकाल कधी विश्वासार्ह असतो, तो इतर पुराव्यांसोबत कसा वापरावा आणि कधी दुर्लक्षित करावा, याबाबत डॉक्टरांना स्पष्ट माहिती आवश्यक असेल.
चेहऱ्याच्या प्रतिमा अत्यंत संवेदनशील बायोमेट्रिक माहितीही आहेत. कोणत्याही वैद्यकीय वापरासाठी संमती, साठवण, प्रवेश आणि दुय्यम वापराबाबत मजबूत संरक्षण आवश्यक असेल. विविध लोकसंख्याशास्त्रीय गटांमध्ये मॉडेलची कामगिरी समान आहे का आणि त्रुटींमुळे कर्करोग उपचारातील विषमता वाढू शकते का, याचाही रुग्णालये व नियामकांनी विचार करावा लागेल.
निर्णय-सहाय्यासाठी संशोधनाची दिशा
FAHR-Face वैद्यकीय AIमधील व्यापक बदल दाखवते: मोठ्या प्रमाणावर प्रशिक्षित फाउंडेशन मॉडेल्स आता अधिक मर्यादित क्लिनिकल कामांसाठी अनुकूल केली जात आहेत. व्यापक प्रीट्रेनिंगमुळे उपयुक्त दृश्य प्रतिनिधित्व मिळू शकते आणि त्याद्वारे पुढे विशेष साधनांना मदत होऊ शकते, अशी अपेक्षा आहे. प्रभावी तांत्रिक निकाल सुरक्षित, समजण्यास सोपा आणि वैद्यकीयदृष्ट्या अर्थपूर्ण बनवणे हे आव्हान आहे.
सध्या, चेहऱ्याच्या छायाचित्रांमध्ये दिसणाऱ्या वयापलीकडे मोजता येण्याजोगी आरोग्याशी संबंधित माहिती असू शकते, याचा पुरावा म्हणून या निष्कर्षांकडे पाहणे योग्य ठरेल. ही माहिती नियमित उपचारात आणण्यासाठी पुढील प्रमाणीकरण आणि काळजीपूर्वक प्रशासन आवश्यक असेल. डॉक्टरांच्या निर्णयाला पाठबळ देणे, तो निर्णय काढून घेणे नव्हे, हा संशोधकांचा घोषित उद्देश अशा तंत्रज्ञानासाठी योग्य मर्यादा ठरवतो, जे महत्त्वपूर्ण उपचार निर्णयांवर प्रभाव टाकू शकते.
हा लेख Medical Xpressच्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on medicalxpress.com
