هوش مصنوعی به کمک تصاویر صورت و شبکیه، پیری و خطر بیماری را پیش‌بینی می‌کند

در مطالعه‌ای که اخیراً در مجله Proceedings of the National Academy of Sciences منتشر شده است، تیمی از دانشمندان چینی یک روش چندوجهی را با استفاده از یک سیستم تبدیل تصویر که از زبان، شبکیه و تصاویر صورت استفاده می‌کند و سن بیولوژیکی را تخمین می‌زند، توسعه دادند. خطر ابتلا به بیماری های مزمن مرتبط با سن را پیش بینی می کند.

پیشینه سن بیولوژیکی و بیماری های مزمن

شناسایی و استانداردسازی نشانگرهایی که می‌توانند برای پیش‌بینی خطر بیماری‌های مزمن مرتبط با افزایش سن و استفاده بالینی آنها برای مدیریت سلامت جمعیت سالخورده مورد استفاده قرار گیرند، به دلیل ناهمگونی در بافت‌ها و اندام‌ها تاکنون دشوار بوده است. زمان تنها عامل تعیین کننده در بسیاری از بیماری های مزمن مرتبط با سیستم های مختلف اندام نیست. با این حال، سن بیولوژیکی، نشانگر پیری زمانی، بر اساس تغییرات عملکردی و ساختاری که در طول پیری رخ می دهد، تعیین می شود.

عوامل محیطی و ژنتیکی می توانند مسئول این تغییرات باشند و یک روش قابل اعتماد برای تعیین سن بیولوژیکی از نظر بالینی برای پیش بینی خطر ابتلا به بیماری های مرتبط با سن و اطمینان از مداخله زودهنگام مهم است. هوش مصنوعی (AI) اخیراً برای شناسایی نشانگرهای زیستی مانند سن شبکیه، سن مغز ناشی از تصویر مغز، سن صورت و ساعت اپی ژنتیک بر اساس الگوهای متیلاسیون اسید دئوکسی ریبونوکلئیک (DNA) مورد استفاده قرار گرفته است.

روش مطالعه و توسعه مدل هوش مصنوعی

در مطالعه حاضر، محققان یک سیستم مدل‌سازی مبتنی بر هوش مصنوعی ایجاد کردند که از زبان، فوندوس شبکیه و تصاویر صورت برای تخمین سن بیولوژیکی و به‌دست آوردن اطلاعات و پیش‌بینی خطر بیماری‌های مزمن و خاص اعضای بدن استفاده می‌کند. عصب بینایی حاوی آکسون های مشتق شده از سیستم عصبی مرکزی است که تصاویر شبکیه را به یک شاخص بالقوه سلامت مغز تبدیل می کند. علاوه بر این، قرار گرفتن در معرض میکروبیوم از تصاویر زبان می تواند نشانگر سلامت حفره دهان و دستگاه گوارش باشد.

ابزار هوش مصنوعی مبتنی بر معماری مبتنی بر ترانسفورماتور است و تصاویر صورت، زبان و شبکیه از گروهی از شرکت‌کنندگان سالم برای آموزش و اعتبارسنجی مدل استفاده شد. پس از آن، تصاویر شرکت‌کنندگانی که بیماری‌های مزمن مختلف یا عوامل خطر شناخته شده برای بیماری‌های مزمن داشتند برای آزمایش مدل مورد استفاده قرار گرفت. این تصاویر برای درک اینکه چگونه عوامل مختلف سبک زندگی و بیماری های مزمن بر سن بیولوژیکی تأثیر می گذارد استفاده شد.

مدل هوش مصنوعی مبتنی بر ترانسفورماتور از یک ماژول توجه متقابل برای تخمین سن بیولوژیکی با استفاده از اطلاعات ترکیبی از فوندوس شبکیه، صورت و تصاویر زبان استفاده می‌کند. ماژول های طرح ریزی خطی در ابتدا برای پردازش این تصاویر و ساخت نشانه های طبقه بندی و تصویری که با این تصاویر مطابقت دارند استفاده می شد. سپس این نشانه‌ها به‌عنوان داده‌های ورودی برای معماری ترانسفورماتور چندوجهی مورد استفاده قرار گرفتند، که از طریق یک الگوریتم پس انتشار بهینه شده است که از تابع از دست دادن بین سن تقویمی و سن زیستی پیش‌بینی‌شده استفاده می‌کند.

مجموعه داده‌های آموزشی از شرکت‌کنندگانی که به‌طور طولی برای بررسی‌های سلامت دنبال شدند، به‌دست آمد. اسکن سه بعدی (سه بعدی) صورت، شبکیه و زبان و اطلاعات پزشکی مربوطه از سوابق پزشکی و آزمایش خون شرکت کنندگان با استفاده از نمونه خون ناشتا به دست آمد. سایر فراداده های این مطالعه شامل عوامل سبک زندگی مانند مصرف الکل و سیگار، اطلاعات جمعیت شناختی و اطلاعات جمع آوری شده از تست های آزمایشگاهی بالینی و معاینات فیزیکی بود. تصاویر گروه دوم از شرکت کنندگان به عنوان گروه اعتبارسنجی مستقل استفاده شد.

به طور کلی، یافته‌ها نشان داد که ابزار هوش مصنوعی چندوجهی مبتنی بر ترانسفورماتور که از تصاویر فوندوس صورت، زبان و شبکیه استفاده می‌کند، می‌تواند پیشرفت بیماری‌های مزمن مرتبط با سن را به دقت تشخیص داده و پیش‌بینی کند.