Zusammenfassung:
US-amerikanische Forscher haben ein Modell der neuen Generation zur Erkennung der Gesichtsgesundheit entwickelt, das das biologische Alter eines Patienten anhand seiner Gesichtszüge abschätzen und das Sterberisiko direkt einschätzen kann. Die Ergebnisse der Studie zeigen, dass diese Gesichtsbilder Informationen zur Prognose von Krebspatienten enthalten, die Ärzten in Zukunft dabei helfen könnten, den körperlichen Zustand des Patienten umfassender einzuschätzen und als Referenz für die Formulierung von Behandlungsplänen zu dienen.
Dieses grundlegende Modell der künstlichen Intelligenz namens FAHR-Face wurde von einem Forschungsteam am Mass General Brigham, einer umfassenden medizinischen Einrichtung in Massachusetts, USA, entwickelt und anhand von mehr als 40 Millionen Gesichtsfotos verschiedener Altersgruppen und ethnischer Gruppen trainiert. Darauf aufbauend entwickelten die Forscher zwei komplementäre Analysetools: FAHR-FaceAge und FAHR-FaceSurvival. Ersteres schätzt das biologische Alter einer Person und nutzt diese Informationen zur Beurteilung der Krebsprognose. Letzteres sagt das Überlebensrisiko eines Krebspatienten direkt anhand von Gesichtsfotos voraus, anstatt das Alter zu schätzen und daraus indirekt die Ergebnisse abzuleiten.
Das Forschungsteam trainierte das Modell anhand klinischer Fotos von Krebspatienten und ihrer daraus resultierenden medizinischen Ergebnisse. Darunter nutzte FAHR-FaceSurvival 34.363 Gesichtsfotos von Krebspatienten für gezieltes Training und wurde in einem unabhängigen Patientendatensatz verifiziert. Auf diese Weise hoffen die Forscher, dass künstliche Intelligenz Signale aus Gesichtsbildern identifizieren kann, die sich auf den körperlichen Zustand und die Überlebensergebnisse der Patienten beziehen.
Forschungsergebnisse zeigen, dass FAHR-FaceSurvival über eine starke Fähigkeit zur Risikounterscheidung verfügt. Den Ergebnissen der Modellvorhersage zufolge starb etwa die Hälfte der Patienten im höchsten 10-Prozent-Todesrisikobereich innerhalb von 90 Tagen; während der Anteil der Patienten im niedrigsten 10 %-Risikobereich etwa 2 % betrug. Auch im Vergleich nach Quartilen war das Sterberisiko in der höchsten Risikogruppe deutlich höher als in der niedrigsten Risikogruppe, mit einer angepassten Hazard Ratio von 3,23.
Forscher fanden außerdem heraus, dass die Lücke zwischen dem durch künstliche Intelligenz geschätzten biologischen Alter und dem tatsächlichen Alter auch mit den Überlebensergebnissen von Krebspatienten zusammenhängt. Unter den Patienten, die eine Strahlentherapie erhielten, hatten diejenigen, deren Gesichter mindestens fünf Jahre älter aussahen als sie tatsächlich waren, während einer durchschnittlichen Nachbeobachtungszeit von etwa vier Jahren ein um 21 Prozent höheres Sterberisiko. Diejenigen, deren Gesichter mindestens fünf Jahre jünger aussahen als sie tatsächlich waren, hatten ein um 17 Prozent geringeres Sterberisiko.
Das bedeutet nicht, dass eine Person, die jünger aussieht, unbedingt besser gegen Krebs kämpfen kann. Das biologische Alter ist in der Studie eine von künstlicher Intelligenz anhand des Aussehens geschätzte Messgröße und kein direktes Maß für die Zellalterung, die Organfunktion oder den Status des Immunsystems. Es spiegelt wahrscheinlich eine Kombination aus Körperanstrengung, Muskel- und Weichteilveränderungen und anderen gesundheitsbezogenen Faktoren wider, aber welche spezifischen physiologischen Signale das Modell genau identifiziert, ist noch nicht vollständig geklärt.
Durch die Analyse des Aufmerksamkeitsbereichs des Modells stellten die Forscher fest, dass die Gesichtsbereiche, auf die sich die beiden Werkzeuge konzentrierten, unterschiedlich waren. FAHR-FaceAge analysiert hauptsächlich die Nasolabialfalten von der Nase bis zu den Mundwinkeln, der Stirn und den Schläfenbereichen; FAHR-FaceSurvival konzentriert sich mehr auf die Augenpartie und den Nasenrückenbereich. Dies deutet darauf hin, dass die Vorhersage des biologischen Alters und des Überlebensrisikos auf unterschiedlichen Gesichtsinformationen beruhen kann.
Das Forschungsteam glaubt, dass diese Technologie Ärzten in Zukunft dabei helfen könnte, die körperliche Leistungsfähigkeit und Gebrechlichkeit eines Patienten besser einzuschätzen, bevor sie sich für eine Operation, Strahlentherapie oder eine systemische medikamentöse Behandlung entscheiden. Für Patienten, die älter sind, an komplexen Erkrankungen leiden oder denen vollständige herkömmliche Biomarker-Daten fehlen, wird erwartet, dass die Gesichtsfotoanalyse zu einer kostengünstigen, einfach zu bedienenden zusätzlichen Beurteilungsmethode wird.
Die Studie ergab außerdem, dass ein Zusammenhang zwischen dem Lebensstil und dem biologischen Alter des Gesichts besteht, wobei Rauchen der wichtigste Zusammenhang ist und Gesichter älter erscheinen. Auch übermäßiger Alkoholkonsum und Drogenkonsum werden mit ähnlichen Phänomenen in Verbindung gebracht. Die Forscher sagten auch, dass FAHR-FaceAge unter verschiedenen Aufnahmewinkeln, Beleuchtungs-, Gesichtsausdrucks- und Make-up-Bedingungen eine gewisse Stabilität zeigte und nach den meisten getesteten plastischen Operationen relativ stabile Schätzergebnisse beibehielt, eine Nasenkorrektur jedoch zu kleineren Veränderungen führen würde.
Dennoch betonen Forscher und externe Experten, dass die Technologie das Urteil eines Arztes noch nicht direkt ersetzen kann. Die Genauigkeit der Vorhersagen eines Modells bedeutet nicht automatisch, dass es die tatsächlichen Behandlungsergebnisse verbessert. Zukünftige Forschung muss noch bestätigen, ob das Hinzufügen von Gesichtsanalyseergebnissen zu den den Ärzten bereits bekannten Anamnese-, Untersuchungsdaten und körperlichen Beurteilungen die Vorhersagegenauigkeit weiter verbessern und Patienten tatsächlich dabei helfen kann, bessere Behandlungsergebnisse zu erzielen.
Darüber hinaus stammen die für das Modelltraining verwendeten Patientengruppen überwiegend aus Ländern mit hohem Einkommen. Wie sichergestellt werden kann, dass es für verschiedene ethnische Gruppen, Altersgruppen und medizinische Umgebungen geeignet ist, ist immer noch eine wichtige Frage. Da Gesichtsmerkmale mit der ethnischen Herkunft und Vorerkrankungen in Zusammenhang stehen können, kann die KI auch Verzerrungen in den Trainingsdaten erben. Daher sind vor einer groß angelegten Anwendung eine umfassendere unabhängige Validierung und prospektive klinische Studien erforderlich.
Relevante Forschungsergebnisse wurden in „The Lancet Digital Health“ veröffentlicht. Das Forschungsteam hofft, dass in Zukunft mehr quantifizierbare Gesundheitsindikatoren aus einem gewöhnlichen Foto extrahiert werden können, sodass die Gesichtsanalyse zu einem ergänzenden Instrument zur klinischen Risikobewertung werden kann, anstatt die Behandlungsmöglichkeiten eines Patienten allein anhand des Aussehens zu bestimmen.
Kommentare