Mass General Brigham: KI sagt Überlebensrisiko bei Krebs anhand eines Gesichtsfotos voraus
Forschende entwickeln die Foundation-Modelle FAHR-FaceAge und FAHR-FaceSurvival, um biologische Gebrechlichkeit und Sterblichkeit von Patientinnen und Patienten anhand eines einzigen digitalen Schnappschusses zu bewerten
Von Giovanni Sapere
2 Min. LesezeitHuman-Edited, AI-Assisted
Automatisch aus dem englischen Original übersetzt Original lesen
Wissenschaftler am Mass General Brigham Cancer Institute haben ein Werkzeug auf Basis künstlicher Intelligenz entwickelt, das das biologische Alter eines Patienten und seine Überlebenschancen bei einer Krebstherapie anhand eines einzigen Gesichtsfotos vorhersagen kann. Der klinische Durchbruch bietet Onkologen eine nicht-invasive Methode, um die körperliche Reserve zu bewerten, bevor aggressive Eingriffe wie Strahlentherapie, systemische Therapie oder Operation angeordnet werden. Die in The Lancet Digital Health veröffentlichte Arbeit zeigt, wie digitale Gesichts-Biomarker die Gebrechlichkeit von Patientinnen und Patienten messen können, ohne aufwendige klinische Tests zu erfordern.
Von Gesichtspixeln zu klinischen Biomarkern
Wie gut ein Patient eine Krebstherapie verkraftet, hängt traditionell von subjektivem klinischem Urteil und aufwendigen körperlichen Tests ab. Um einen objektiven Messwert zu liefern, entwickelten die Forschenden FAHR-Face, kurz für Foundation Artificial Intelligence for Health Recognition, wie New Atlas berichtet. Das selbstüberwachte Machine-Learning-Modell nutzt maskierte Autoencoder, die auf über 42 Millionen Fotos von Gesichtern trainiert wurden, und bringt dem System bei, verdeckte Merkmale zu rekonstruieren und strukturelle Informationen zu erfassen, die mit der allgemeinen Gesundheit korrelieren.
„Nach unserem Wissen ist dies der erste Nachweis, dass ein KI-Modell das Überleben bei Krebs direkt aus einem einfachen Foto vorhersagen kann.“
— Hugo Aerts, PhD, Leiter des Programms für KI in der Medizin am Mass General Brigham
Zwei Algorithmen für Alter und Überleben
Die Forschenden verfeinerten die Kernarchitektur zu zwei komplementären diagnostischen Instrumenten: FAHR-FaceAge und FAHR-FaceSurvival. Den von New Atlas berichteten Daten zufolge berechnet FAHR-FaceAge die physiologische Alterung statt der chronologischen Jahre und erreicht eine durchschnittliche Fehlermarge von 5,1 Jahren. Entscheidend ist, dass das Modell gegenüber Störfaktoren wie Make-up, Brillen, wechselnder Beleuchtung und Facelifts robust blieb und nur geringfügige Abweichungen bei Personen zeigte, die sich einer Rhinoplastik unterzogen hatten. Patientinnen und Patienten, die fünf oder mehr Jahre älter als ihr chronologisches Alter erschienen, hatten ein um 21 % höheres Sterberisiko, während diejenigen, die fünf Jahre jünger erschienen, eine um 17 % höhere Überlebensrate aufwiesen.
Kartierung des Sterberisikos während der Krebstherapie
Das Überlebens-Tool wurde an Gesichtsbildern von mehr als 34.000 Krebspatientinnen und -patienten unter Strahlentherapie evaluiert und anschließend an Validierungskohorten von fast 4.000 und 5.000 Personen überprüft. Wie New Atlas im Detail berichtet, unterschied FAHR-FaceSurvival erfolgreich Risikostufen: Patientinnen und Patienten in der höchsten Sterblichkeitskategorie wiesen mehr als die dreifache Sterberate derjenigen in der niedrigsten Kategorie auf. Innerhalb des Hochrisikosegments starben 52 % der Patientinnen und Patienten innerhalb von 90 Tagen, verglichen mit nur 2,1 % in der Niedrigrisikogruppe. Heatmaps zeigten, dass FAHR-FaceSurvival die Zone unter den Augen und entlang des Nasenrückens analysiert, während FAHR-FaceAge sich vor allem auf die Schläfen, die Nasolabialfalten und die Stirn über den Augenhöhlen konzentriert.
Klinische Integration und öffentliche Evaluation
Durch die Extraktion physiologischer Signale aus Fotos von Consumer-Geräten könnte diese Innovation Onkologen dabei helfen, Strahlendosen anzupassen oder für gebrechliche Personen weniger toxische Alternativen zu wählen. Der Co-Senior-Autor Hugo Aerts und der Strahlenonkologe Raymond Mak merkten an, dass die Struktur der Foundation-Modelle es Teams ermöglicht, spezialisierte diagnostische Marker zu entwickeln, ohne jedes neuronale Netz von Grund auf neu zu bauen. Während die Forschenden eine erweiterte Online-Studie zur öffentlichen Evaluation geöffnet haben, bereiten klinische Teams weitere Untersuchungen vor, um festzustellen, wie der automatisierte visuelle Biomarker sicher in klinische onkologische Arbeitsabläufe integriert werden kann, wie New Atlas dokumentiert.
Lesen Sie auch bei The Patent: Im Labor gezüchtete Neuronen entschlüsseln Braille und steuern Roboterhunde
