Résumé :
Des chercheurs américains ont développé une nouvelle génération de modèles de reconnaissance faciale de la santé, capables d'estimer l'âge biologique d'un patient en fonction des caractéristiques de son visage et d'évaluer directement le risque de décès. Les résultats de l'étude montrent que ces images faciales contiennent des informations liées au pronostic des patients atteints de cancer, ce qui pourrait à l'avenir aider les médecins à évaluer de manière plus complète la condition physique du patient et fournir une référence pour la formulation de plans de traitement.
Ce modèle d'intelligence artificielle de base appelé FAHR-Face a été développé par une équipe de recherche du Mass General Brigham, un établissement médical complet du Massachusetts, aux États-Unis, et a été formé à l'aide de plus de 40 millions de photos faciales d'âges et de groupes ethniques différents. Sur cette base, les chercheurs ont développé deux outils d’analyse complémentaires : FAHR-FaceAge et FAHR-FaceSurvival. Le premier estime l'âge biologique d'une personne et utilise ces informations pour aider à évaluer le pronostic du cancer ; ce dernier prédit le risque de survie d'un patient atteint de cancer directement à partir de photos faciales, plutôt que d'estimer l'âge et de déduire ensuite indirectement les résultats.
L'équipe de recherche a entraîné le modèle à l'aide de photos cliniques de patients atteints de cancer et de leurs résultats médicaux ultérieurs. Parmi eux, FAHR-FaceSurvival a utilisé 34 363 photos faciales de patients atteints de cancer pour une formation ciblée et a été vérifié dans un ensemble de données indépendant sur les patients. De cette manière, les chercheurs espèrent permettre à l’intelligence artificielle d’identifier les signaux des images faciales liés à l’état physique des patients et aux résultats de survie.
Les résultats de la recherche montrent que FAHR-FaceSurvival possède une forte capacité de discrimination des risques. Selon les résultats de prédiction du modèle, environ la moitié des patients présentant un risque de décès de 10 % le plus élevé sont décédés dans les 90 jours ; tandis que la proportion de patients dans la fourchette de risque la plus faible de 10 % était d'environ 2 %. Si on le compare selon les quartiles, le risque de décès dans le groupe à risque le plus élevé était également significativement plus élevé que celui dans le groupe à risque le plus faible, avec un rapport de risque ajusté de 3,23.
Les chercheurs ont également découvert que l'écart entre l'âge biologique estimé par l'intelligence artificielle et l'âge réel est également lié aux résultats de survie des patients atteints de cancer. Parmi les patients ayant reçu une radiothérapie, ceux dont le visage paraissait au moins cinq ans plus âgé que leur âge réel présentaient un risque de décès 21 % plus élevé au cours d'un suivi moyen d'environ quatre ans. Ceux dont le visage paraissait au moins cinq ans plus jeune que leur âge réel avaient un risque de décès 17 % inférieur.
Cela ne signifie pas qu’une personne qui paraît plus jeune est nécessairement meilleure dans la lutte contre le cancer. L’âge biologique dans l’étude est une mesure estimée par l’intelligence artificielle basée sur l’apparence et n’est pas une mesure directe du vieillissement cellulaire, du fonctionnement des organes ou de l’état du système immunitaire. Cela reflète probablement une combinaison d’efforts corporels, de modifications des muscles et des tissus mous et d’autres facteurs liés à la santé, mais les signaux physiologiques spécifiques identifiés par le modèle ne sont pas encore entièrement compris.
En analysant la zone d'attention du modèle, les chercheurs ont découvert que les emplacements du visage sur lesquels se concentraient les deux outils étaient différents. FAHR-FaceAge analyse principalement les sillons nasogéniens du nez jusqu'aux commissures de la bouche, en passant par le front et les tempes ; FAHR-FaceSurvival se concentre davantage sur le dessous des yeux et autour de l'arête du nez. Cela suggère que la prévision de l’âge biologique et la prévision du risque de survie peuvent s’appuyer sur différentes informations faciales.
L'équipe de recherche estime que cette technologie pourrait à l'avenir aider les médecins à mieux évaluer la réserve physique et la fragilité d'un patient avant de décider s'il doit recourir à la chirurgie, à la radiothérapie ou à un traitement médicamenteux systémique. Pour les patients plus âgés, souffrant de problèmes de santé complexes ou manquant de données complètes sur les biomarqueurs traditionnels, l’analyse de photos faciales devrait devenir une méthode d’évaluation auxiliaire peu coûteuse et facile à utiliser.
L'étude a également révélé qu'il existe un lien entre le mode de vie et l'âge biologique du visage, le tabagisme étant le lien le plus important et les visages paraissant plus âgés. La consommation excessive d’alcool et la consommation de drogues sont également associées à des phénomènes similaires. Les chercheurs ont également déclaré que FAHR-FaceAge montrait une certaine stabilité sous différents angles de prise de vue, éclairage, expressions et conditions de maquillage, et maintenait des résultats d'estimation relativement stables après la plupart des chirurgies plastiques testées, mais la chirurgie de rhinoplastie entraînerait des changements moins importants.
Néanmoins, les chercheurs et les experts extérieurs soulignent que la technologie ne peut pas encore remplacer directement le jugement d'un médecin. L'exactitude des prédictions d'un modèle ne signifie pas automatiquement qu'il améliore les résultats réels du traitement. Les recherches futures doivent encore confirmer si l’ajout des résultats de l’analyse faciale aux antécédents médicaux, aux données d’examen et à l’évaluation physique déjà connues des médecins peut encore améliorer la précision des prédictions et réellement aider les patients à obtenir de meilleurs résultats de traitement.
De plus, les groupes de patients utilisés pour la formation modèle proviennent principalement de pays à revenu élevé. Comment garantir qu’il convient aux différents groupes ethniques, groupes d’âge et environnements médicaux reste une question importante. Étant donné que les traits du visage peuvent être liés à l’origine ethnique et à des conditions médicales préexistantes, l’IA peut également hériter de biais dans les données d’entraînement. Par conséquent, une validation indépendante plus approfondie et des études cliniques prospectives sont nécessaires avant une application à grande échelle.
Des résultats de recherche pertinents ont été publiés dans « The Lancet Digital Health ». L'équipe de recherche espère qu'à l'avenir, des indicateurs de santé plus quantifiables pourront être extraits d'une photo ordinaire, de sorte que l'analyse faciale puisse devenir un outil supplémentaire pour l'évaluation des risques cliniques, plutôt que de déterminer les opportunités de traitement d'un patient sur la seule base de son apparence.
Commentaires