Công trình nghiên cứu này do Viện Ung thư Dana-Farber và Bệnh viện đa khoa Massachusetts liên kết với Đại học Harvard tiến hành. Trong nhóm bệnh nhân được AI xếp vào diện nguy cơ cao nhất, hơn một nửa tử vong trong vòng 90 ngày sau khi chụp ảnh. Phát hiện này mở ra hướng ứng dụng mới của AI trong y học, giúp bác sĩ đánh giá thể trạng và khả năng chịu đựng các phương pháp điều trị nặng. Tuy nhiên, mô hình mới chỉ hỗ trợ phân tầng nguy cơ, chưa thể xác định chính xác một cá nhân sẽ sống được bao lâu.
Huấn luyện AI bằng hơn 40 triệu bức ảnh
Trong thực hành y khoa, bác sĩ thường quan sát diện mạo, thể trạng và biểu hiện suy nhược của bệnh nhân để đánh giá mức độ nghiêm trọng của bệnh, từ đó cân nhắc phẫu thuật, hóa trị, xạ trị hay điều trị giảm nhẹ.
Tiến sĩ Raymond Mak, bác sĩ chuyên ngành xạ trị ung thư và tác giả nghiên cứu, cho biết bác sĩ được đào tạo để quan sát bệnh nhân ngay khi bước vào phòng bệnh, qua đó đánh giá sức khỏe và mức độ suy yếu. Tuy nhiên, cách đánh giá này có thể mang tính chủ quan, nhất là khi dự đoán tiên lượng sống còn.
Để khắc phục hạn chế đó, nhóm nghiên cứu phát triển mô hình nền tảng FAHR-Face, sử dụng bộ dữ liệu công khai WebFace42M với hơn 40 triệu ảnh khuôn mặt, bao phủ độ tuổi từ 0 đến 116. AI học các đặc trưng khuôn mặt từ dữ liệu lớn trước khi được tinh chỉnh cho những nhiệm vụ y tế cụ thể.
Nhóm nghiên cứu xây dựng hai công cụ bổ trợ: FAHR-FaceAge, ước tính tuổi sinh học thông qua khuôn mặt, và FAHR-FaceSurvival, được huấn luyện bằng 34.363 ảnh bệnh nhân ung thư để phân loại nguy cơ sống còn.
Nhóm nguy cơ cao nhất: 52,5% tử vong trong 90 ngày
Thử nghiệm trên 3.820 bệnh nhân ung thư cho thấy điểm nguy cơ do AI đưa ra có mối liên hệ đáng kể với tỷ lệ tử vong sau đó.
Trong số 122 bệnh nhân có điểm nguy cơ cao nhất, từ 0,9 đến 1,0, có 64 người tử vong trong vòng 90 ngày sau khi chụp ảnh, tương đương 52,5%. Trong khi đó, tỷ lệ tử vong ở nhóm 975 bệnh nhân có điểm nguy cơ thấp nhất, từ 0 đến 0,1, chỉ là 2,1%.
Xét theo các nhóm nguy cơ, tỷ lệ tử vong ở nhóm cao nhất lớn hơn ba lần nhóm thấp nhất, với tỷ số nguy cơ đã hiệu chỉnh (HR) là 3,23.
Khoảng cách cũng thể hiện khi kéo dài thời gian theo dõi. Tỷ lệ sống sau 5 năm ở nhóm 25% bệnh nhân có nguy cơ thấp nhất đạt 78,1%, trong khi con số ở nhóm 25% có nguy cơ cao nhất chỉ là 17,7%.
Kết quả cho thấy AI có thể nhận diện những đặc điểm trên khuôn mặt liên quan đến tiên lượng bệnh. Tuy nhiên, phân biệt được các nhóm nguy cơ không đồng nghĩa với dự đoán chính xác thời điểm tử vong của từng người. Kết quả còn chịu ảnh hưởng của loại ung thư, phương pháp điều trị và nhiều yếu tố lâm sàng khác.
Khuôn mặt trông già hơn tuổi thật có thể là dấu hiệu cảnh báo
FAHR-FaceAge có sai số tuyệt đối trung bình 5,1 năm khi ước tính tuổi. Đáng chú ý, tuổi do AI dự đoán chỉ tương quan yếu với tuổi thực của bệnh nhân, với hệ số tương quan R = 0,16. Điều này gợi ý mô hình có thể nhận diện một số dấu hiệu liên quan đến tình trạng sức khỏe và lão hóa sinh học, thay vì chỉ dựa vào tuổi thật.
Nhóm nghiên cứu sử dụng chỉ số chênh lệch tuổi khuôn mặt (FAD), tính bằng tuổi AI ước tính trừ đi tuổi thực. Những bệnh nhân có khuôn mặt trông già hơn tuổi thật ít nhất 5 năm có nguy cơ tử vong cao hơn 21%. Ngược lại, nhóm trông trẻ hơn tuổi thật ít nhất 5 năm có nguy cơ thấp hơn 17%.
Ở những bệnh nhân có khuôn mặt trông già hơn tuổi thật trên 20 năm, tỷ lệ tử vong trong 90 ngày đạt 21,3%. Tỷ lệ sống sau 10 năm của nhóm này là 33,3%, trong khi nhóm trông trẻ hơn tuổi thật trên 10 năm đạt 65,1%.
Các số liệu phản ánh mối liên hệ thống kê trong quần thể nghiên cứu, không chứng minh vẻ ngoài già đi trực tiếp gây tử vong, cũng không có nghĩa người trông già hơn tuổi chắc chắn mắc bệnh nghiêm trọng.
AI chú ý vùng mắt và sống mũi khi đánh giá nguy cơ
Bằng kỹ thuật “bản đồ chú ý” (attention mapping), nhóm nghiên cứu xác định những vùng khuôn mặt ảnh hưởng đến kết quả của mô hình.
Khi ước tính tuổi, AI tập trung vào rãnh mũi–má, vùng trán phía trên hốc mắt và thái dương - những nơi thường xuất hiện nếp nhăn và thay đổi mô mềm theo tuổi tác. Sau tuổi 40, mô hình dành nhiều sự chú ý hơn cho vùng trán và thái dương.
Trong khi đó, FAHR-FaceSurvival tập trung đáng kể vào vùng dưới mắt, hốc mắt và sống mũi.
Tiến sĩ Raymond Mak nhận thấy những vùng này có nét tương đồng với mô tả về “khuôn mặt Hippocrates” trong y học Hy Lạp cổ đại. Hippocrates từng ghi nhận mắt trũng sâu, thái dương hõm và mũi nhọn ở người suy kiệt nghiêm trọng gần cuối đời.
Sự tương đồng này đáng chú ý, nhưng chưa chứng minh AI đang nhận diện trực tiếp dấu hiệu cận tử theo mô tả cổ xưa. Cần thêm nghiên cứu để xác định chính xác những đặc điểm hình thái mà mô hình sử dụng và cơ chế sinh học đằng sau chúng.
Trang điểm, phẫu thuật thẩm mỹ có đánh lừa được AI?
Để kiểm tra độ ổn định, nhóm nghiên cứu thử nghiệm ảnh của cùng một người trong những điều kiện khác nhau: mặt mộc hoặc trang điểm, biểu cảm trung tính hoặc mạnh, thay đổi ánh sáng và góc chụp, cũng như ảnh trước và sau một số thủ thuật thẩm mỹ.
Theo bài nghiên cứu được dẫn lại, kết quả ước tính tuổi nhìn chung không thay đổi đáng kể. Ngoại lệ là phẫu thuật nâng mũi: sau thủ thuật, người được đánh giá trông già hơn trung bình 1,11 năm.
Tuy nhiên, khả năng duy trì kết quả trong những thử nghiệm này không có nghĩa mô hình miễn nhiễm với mọi hình thức chỉnh sửa ảnh hoặc hoạt động chính xác trong tất cả điều kiện thực tế.
Hút thuốc và lối sống để lại dấu vết trên khuôn mặt
Nghiên cứu còn ghi nhận mối liên hệ giữa tuổi sinh học do AI ước tính với hút thuốc, uống nhiều rượu và sử dụng chất gây nghiện.
Người đang hút thuốc có xu hướng được đánh giá già hơn người đã cai thuốc; người đã cai thuốc lại có xu hướng già hơn người chưa từng hút. Mức độ phơi nhiễm thuốc lá trong suốt cuộc đời cũng liên quan đến mức độ lão hóa được ước tính. Theo nhóm nghiên cứu, mối liên hệ này xuất hiện ngay cả ở bệnh nhân mắc loại ung thư không trực tiếp liên quan đến thuốc lá.
Dù vậy, không thể chỉ nhìn khuôn mặt để xác định chắc chắn một người có hút thuốc hay không. Kết quả AI cũng không thể thay thế việc khai thác tiền sử sức khỏe và lối sống.
Tiềm năng y tế và rủi ro đạo đức
Theo Hugo Aerts, Giám đốc chương trình AI y học tại Viện Ung thư Dana-Farber và đồng tác giả cấp cao, đây là một trong những nghiên cứu đầu tiên cho thấy AI có thể sử dụng ảnh khuôn mặt thông thường để dự đoán nguy cơ sống còn ở bệnh nhân ung thư.
Mục tiêu không phải thay thế bác sĩ hay đưa ra phán quyết về sự sống còn của bệnh nhân, mà là cung cấp thêm thông tin khi cân nhắc liệu người bệnh có đủ khả năng chịu đựng phẫu thuật lớn, hóa trị hoặc xạ trị cường độ cao hay không. Hai người cùng 70 tuổi có thể có thể trạng rất khác nhau; tuổi trên giấy tờ không phản ánh đầy đủ khả năng hồi phục và chịu đựng điều trị.
Tuy nhiên, việc sử dụng AI để dự đoán nguy cơ tử vong cũng đặt ra những vấn đề đạo đức. Nếu mô hình đánh giá sai, bệnh nhân có thể bị trì hoãn điều trị cần thiết. Các cơ sở y tế, công ty bảo hiểm hoặc nhà tuyển dụng cũng có thể lạm dụng kết quả để đưa ra quyết định bất lợi.
Vì vậy, trước khi triển khai rộng rãi, FAHR-Face cần được kiểm chứng độc lập trên các nhóm bệnh nhân đa dạng, đánh giá khả năng áp dụng ngoài quần thể nghiên cứu và xác định rõ vai trò trong thực hành lâm sàng.
FAHR-Face cho thấy ảnh khuôn mặt có thể chứa những tín hiệu sức khỏe mà AI nhận diện được. Nhưng ở thời điểm hiện tại, đây vẫn là công cụ hỗ trợ nghiên cứu và phân tầng nguy cơ, không phải phương pháp xem tướng để đoán tuổi thọ. Người bệnh không nên tự kết luận tiên lượng ung thư hoặc thay đổi điều trị chỉ dựa trên ảnh chụp hay điểm số AI.
Theo Sohu
