Önemli Gelişmeler

ABD'de yer alan Mass General Brigham enstitüsünden araştırmacılar, kanser hastalarının tedavi süreçlerini daha iyi anlamak ve kişiye özel tedavi kararlarını desteklemek amacıyla yapay zeka tabanlı yenilikçi araçlar geliştirdi. 40 milyondan fazla yüz fotoğrafı üzerinde eğitilen FAHR-Face modeli, hastaların biyolojik yaşlarını ve hayatta kalma risklerini tahmin etme yeteneğine sahip.

The Lancet Digital Health dergisinde yayımlanan kritik araştırma, geliştirilen sistemin iki ana bileşenden oluştuğunu ortaya koyuyor. FAHR-FaceAge adlı bileşen, hastanın yüz görünümünden yola çıkarak biyolojik yaşını tahmin ederken, FAHR-FaceSurvival ise hastaların hayatta kalma riskini değerlendiriyor. Radyoterapi tedavisi gören kanser hastaları üzerinde yapılan incelemeler, bu yapay zeka modelinin tahminlerinin klinik önemini vurguluyor.

Araştırmada elde edilen dikkat çekici sonuçlara göre, yapay zekanın biyolojik yaşını gerçek yaşından en az beş yıl daha büyük olarak tahmin ettiği hastalarda, dört yıllık takip sürecinde ölüm riski diğer hastalara kıyasla yüzde 21 daha yüksek bulundu. Tersine, biyolojik yaşını en az beş yıl daha genç tahmin ettiği hastalarda ise ölüm riski yüzde 17 daha düşük olarak saptandı.

Öne Çıkan Noktalar

  • Yapay zeka, kanser hastalarının yüz fotoğraflarından biyolojik yaşlarını ve hayatta kalma risklerini tahmin edebiliyor.
  • Biyolojik yaşı gerçek yaşından belirgin şekilde büyük çıkan hastalarda ölüm riski artarken, daha genç çıkanlarda risk azalıyor.
  • Teknoloji hekimlere destek olabilir ancak henüz klinik karar verme süreçlerinde tek başına kullanıma hazır değil.

Neden Önemli?

Bu teknoloji, özellikle ameliyat, radyoterapi veya diğer yoğun kanser tedavileri öncesinde hastaların fiziksel dayanıklılığını değerlendirmede hekimlere önemli bir destek sunma potansiyeli taşıyor. Yapay zekanın tahminleri, doktorların daha bilinçli ve kişiye özel tedavi kararları almasına yardımcı olabilir. Ancak uzmanlar, yüz fotoğrafından elde edilen tahminlerin tek başına klinik karar vermek için yeterli olmadığını ve modelin farklı hasta gruplarındaki güvenilirliğinin daha detaylı araştırılması gerektiğini vurguluyor. Araştırmacılar, sistemin doktorların yerini almak yerine tedavi kararlarını desteklemesini hedefliyor ve güvenli kullanım için bağımsız doğrulama çalışmalarının gerekliliğine dikkat çekiyor.