نکات کلیدی:
· یک الگوریتم یادگیری ماشین که بر روی ویدئوهای چهره اعمال میشود، میتواند فشار خون بالا و دیابت را با دقت بالا تشخیص دهد.
· حسگری بیومتریک بدون تماس میتواند به عنوان یک ابزار غربالگری مقیاسپذیر برای عوامل خطر قلبی-عروقی عمل کند.
۱۵ سپتامبر ۲۰۲۶- محققان با استفاده از یادگیری ماشین بر روی ویدئوهای طیفسنجی (Spectroscopic) چهره، توانستند فشار خون بالا و دیابت نوع ۲ را تنها در ۵ ثانیه با دقت بالا تشخیص دهند؛ این دستاورد میتواند ابزاری مقیاسپذیر برای غربالگری عوامل خطر قلبی-عروقی باشد.
دکتر رایوکو اوچیدا، پژوهشگر بیمارستان دانشگاه توکیو، در جریان ارائه یک پوستر در کنگره انجمن قلب اروپا، اظهار داشت که غربالگری فشار خون بالا و دیابت نوع ۲ (دو مورد از اصلیترین عوامل خطر قابل اصلاح برای بیماریهای قلبی-عروقی)، در حال حاضر متکی به ویزیت های بالینی اختصاصی یا دستگاههای پوشیدنی است که هر دو باعث محدود شدن پوشش در سطح جمعیت میشوند.
اوچیدا، گفت: «دادههای ویدئویی چهره، در ترکیب با هوش مصنوعی، میتواند رویکردی بدون تماس و بالقوه مقیاسپذیر برای غربالگری شرایط قلبی-عروقی و متابولیک فراهم کند. یافتههای ما نشان میدهد که اطلاعات موجود در ویدئوهای چهره ممکن است نه تنها برای غربالگری فشار خون بالا و دیابت، بلکه برای تخمین فشار خون نیز کافی باشد که این امر پتانسیل هوش مصنوعی مبتنی بر ویدئو را به عنوان ابزاری جدید برای غربالگری سلامتِ دردسترس، برجسته میکند.»
در این مطالعه آیندهنگر تکمرکزی، محققان دادههای ۲۱۵ بزرگسال را که تحت ضبط ویدئویی طیفسنجی با سرعت بالا از صورت و دست قرار گرفته بودند، تحلیل کردند. محققان از اندازهگیری همزمان فشار خون با کاف (Cuff-based) به عنوان استاندارد مرجع برای فشار خون بالا (تعریف شده به عنوان فشار خون ۱۳۰/۸۰ میلیمتر جیوه یا بالاتر) استفاده کردند.
دکتر اوچیدا در طول ارائه خود گفت: «ما این سوال را مطرح کردیم که آیا میتوان غربالگری را در زندگی روزمره، بدون نیاز به کاف فشار خون و بدون نیاز به نمونهگیری خون (انگشت زدن) انجام داد؟ هدف ما یک سیستم کاملاً بدون تماس بود؛ از یک ویدئوی کوتاه چهره برای شناسایی فشار خون بالا و دیابت و همچنین تخمین فشار خون. فرد در فاصله حدود ۵۰ سانتیمتری از یک دوربین طیفسنج با سرعت بالا (۱۵۰ فریم بر ثانیه) مینشیند و ما ۳۰ ناحیه مورد نظر را روی صورت و کف دست تنظیم میکنیم.»
دکتر اوچیدا توضیح داد که الگوریتم، سه دسته از ویژگیها را از دادههای ویدئویی استخراج میکند: دینامیک موج نبض، الگوهای جریان خون پوستی و ویژگیهای طیفی.
همانطور که پیشتر گزارش شده بود، در تشخیص فشار خون بالا، تحلیل مبتنی بر موج نبض در یک مدل گروهی (Ensemble model) با استفاده از ضبط ۳۰ ثانیهای به دقت ۹۵٪ دست یافت (حساسیت فشار خون نرمال ۱۰۰٪؛ حساسیت فشار خون بالا ۸۹.۲٪) و با استفاده از ۵ ثانیه داده، به دقت ۹۰.۳٪ رسید (حساسیت فشار خون نرمال ۹۸.۳٪؛ حساسیت فشار خون بالا ۸۴.۵٪).
او افزود: «با استفاده از آستانه ۱۳۰/۸۰ میلیمتر جیوه، دقت از ویدئوهای ۳۰ ثانیهای ۹۵٪ و از دادههای ۵ ثانیهای ۹۰٪ بود، در حالی که حساسیت فشار خون نرمال تقریباً ۱۰۰٪ بود.»
برای تشخیص دیابت نوع ۲، مدلی که از ویدئوهای ۳۰ ثانیهای بر پایه الگوهای جریان خون استفاده میکرد، به دقت ۸۸.۲٪ (سطح زیر منحنی ویژگی عملکردگیرنده [ROC AUC] معادل ۰.۹۷) و مدلی که از ویدئوهای ۵ ثانیهای استفاده میکرد، به دقت ۸۱.۲٪ (ROC AUCمعادل ۰.۹۸) دست یافت.
دکتر اوچیدا توضیح داد که برای تخمین فشار خون با استفاده از ویدئوهای ۳۰ ثانیهایِ صرفاً از چهره، مدلی که از سه مدل موازی استفاده میکرد، به میانگین درصد خطای مطلق ۹.۷٪ و ضریب همبستگی ۰.۹۶۸ رسیدیم.
او گفت: «اگرچه این فناوری هنوز برای جایگزینی با تشخیص بالینی آماده نیست، اما اگر بتوانیم غربالگری را تنها با استفاده از ویدئوی چهره با دقت کافی انجام دهیم، این امر میتواند به تشخیص زودهنگام فشار خون بالا و دیابت کمک کند. همچنین ممکن است به شناسایی افرادی که واقعاً نیاز به ارزیابی بیشتر دارند کمک کند و پتانسیل کاهش تعداد افرادی که نیاز به انجام آزمایش خون یا سایر معاینات متداول به عنوان گام اولیه غربالگری دارند را داشته باشد.»
دکتر اوچیدا با خاطرنشان کردن این که نیاز به اعتبارسنجی این فناوری در جمعیتهای بزرگتر، چندمرکزی و متنوعتر وجود دارد، افزود: «ما همچنین باید استحکام این فناوری را در شرایط دنیای واقعی، از جمله محیطهای نوری مختلف، دستگاههای دوربین متفاوت، رنگ پوستهای مختلف و ویژگیهای متفاوت بیماران ارزیابی کنیم. همچنین مطالعات آیندهنگر برای سنجش اینکه آیا غربالگری مبتنی بر هوش مصنوعی میتواند تشخیص زودهنگام و در نهایت پیامدهای بالینی را بهبود بخشد، بسیار مهم خواهد بود.»
منبع:
https://www.healio.com/news/cardiology/20260915/machine-learning-algorithm-detects-hypertension-diabetes-from-facial-videos