Una simple selfie podría tener el potencial de estimar las probabilidades de supervivencia en pacientes diagnosticados con cáncer. Un equipo de investigadores de Mass General Brigham (MGB) ha desarrollado un innovador modelo de inteligencia artificial (IA) que calcula la edad biológica y predice el riesgo de mortalidad en individuos con neoplasias malignas mediante el análisis de imágenes faciales. Esta herramienta podría ser fundamental para el diseño de tratamientos personalizados adaptados a las necesidades de cada paciente.
Diversos expertos coinciden en que las imágenes faciales pueden servir como un biomarcador no invasivo y accesible para evaluar el estado general de salud y el proceso de envejecimiento. Sin embargo, la cuantificación y calificación de la información que proporciona la apariencia del rostro sigue siendo un reto, principalmente por la dificultad de establecer una interpretación objetiva de los rasgos faciales.
Investigaciones anteriores sugieren que los avances en IA podrían ayudar a abordar este desafío. En los últimos años, se han creado modelos experimentales que predicen, entre otros factores, el riesgo de mortalidad por diversas causas y la progresión de ciertas enfermedades, analizando fotografías de millones de pacientes.
Superando limitaciones con un modelo innovador
A pesar de los avances, muchos de estos algoritmos enfrentan limitaciones debido a la falta de datos representativos de diversas poblaciones y sesgos en la información utilizada para su entrenamiento. Esto puede resultar en estimaciones imprecisas, especialmente cuando se aplican a grupos de personas que no fueron considerados durante su desarrollo.
En respuesta a estas inconsistencias, los especialistas de MGB presentaron FAHR-Face, un modelo de IA que ha sido entrenado con más de 40 millones de fotografías faciales, utilizando técnicas de aprendizaje autosupervisado. Este enfoque permitió al sistema reconocer características y patrones visuales sin depender de diagnósticos médicos relacionados con esos rasgos.
Tras esta fase inicial, que se centró en identificar características generales, el modelo fue capaz de relacionar elementos de las imágenes y especializarse en tareas específicas, como detectar señales asociadas con enfermedades. Para ello, se utilizaron conjuntos de fotografías más pequeños que incluían información clínica relevante.
Hugo Aerts, director del programa de Inteligencia Artificial en Medicina (AIM) de MGB y coautor del estudio, señala que “este enfoque basado en un modelo fundamental nos ofrece una forma escalable de desarrollar múltiples biomarcadores de salud facial, evitando la necesidad de entrenar cada modelo desde cero”.
Herramientas para pronósticos de salud
El trabajo, publicado en la revista The Lancet Digital Health, detalla cómo los investigadores utilizaron FAHR-Face para crear dos herramientas que proporcionan información pronóstica adicional sobre el riesgo de mortalidad. La primera, FAHR-FaceAge, está diseñada para estimar la edad biológica de una persona a partir de su rostro. Este algoritmo fue entrenado en dos etapas utilizando diez conjuntos de datos de acceso público que incluían 743,152 imágenes de personas con edades cronológicas conocidas.
Para evaluar su efectividad, los investigadores realizaron pruebas en las que el sistema debía calcular la edad de diferentes individuos a partir de fotografías no utilizadas en su entrenamiento. Asimismo, repitieron el ejercicio con imágenes de más de 4,890 pacientes que habían recibido tratamiento de radioterapia.
Los resultados mostraron que las estimaciones del algoritmo se desviaron de la edad cronológica en un promedio de 5.1 años durante la prueba general y de aproximadamente siete años en el análisis de los pacientes radiados. Los investigadores interpretan esta discrepancia como un posible indicador de un envejecimiento biológico acelerado.
Relación entre edad biológica y supervivencia
En una segunda evaluación, los especialistas analizaron la relación entre este indicador de edad biológica y la supervivencia de 38,183 pacientes con cáncer que habían recibido radioterapia. Los hallazgos indicaron que aquellos con una edad biológica estimada al menos cinco años superior a su edad cronológica presentaban un riesgo de mortalidad 21% mayor que el resto de los participantes. Esto sugiere que en esta población, los rostros que mostraban una edad considerablemente superior a la real también tenían una mayor probabilidad de fallecer.
Así, se concluyó que FAHR-FaceAge puede estimar la edad biológica de los pacientes, y que esta estimación se encuentra asociada a sus probabilidades de supervivencia tras un diagnóstico de cáncer.
Predicción del riesgo de mortalidad
Por otro lado, el segundo algoritmo, FAHR-FaceSurvival, fue creado para pronosticar el riesgo de mortalidad directamente a partir de una fotografía facial, sin necesidad de estimar la edad biológica. Este sistema fue entrenado con más de 34,360 fotografías de pacientes con cáncer, junto con información sobre su supervivencia, permitiendo al modelo aprender a identificar características faciales que podrían estar vinculadas al tiempo de vida tras el diagnóstico.
Para medir su desempeño, los científicos clasificaron a los pacientes en cuatro grupos según el nivel de riesgo calculado por la IA. El grupo con mayor riesgo mostró una tasa de mortalidad más de tres veces superior a la de quienes tenían el riesgo más bajo. Esta diferencia se mantuvo incluso al considerar factores como la edad, el sexo, el tipo de cáncer, la intención del tratamiento y el tipo de radioterapia aplicada.
“FAHR-FaceSurvival avanza el campo de la IA en el reconocimiento de la salud facial al aprender el riesgo de supervivencia a partir de fotografías faciales de pacientes con cáncer. Hasta donde sabemos, esta es la primera vez que un modelo de IA puede predecir directamente la supervivencia al cáncer a partir de una simple fotografía”, afirmó Aerts.
Complementando la evaluación clínica
A pesar de que ambas herramientas utilizan el mismo modelo de IA y analizan rasgos faciales para realizar sus pronósticos, los autores destacan que las estimaciones de la edad biológica y las predicciones de supervivencia no dependen de las mismas características fisiológicas. Mientras que FAHR-FaceAge se basa en áreas como los pliegues nasolabiales y las sienes, que están relacionadas con signos visibles de envejecimiento, FAHR-FaceSurvival se enfoca en regiones debajo de los ojos y alrededor de la nariz. Estas diferencias sugieren que los indicadores de envejecimiento y los de supervivencia pueden complementarse para lograr pronósticos más precisos.
Los investigadores aclaran que ambos sistemas están diseñados como herramientas de apoyo para complementar la evaluación clínica y respaldar decisiones personalizadas, sin reemplazar el juicio de los profesionales de la salud. Raymond Mak, miembro del AIM y coautor del estudio, destaca: “Nuestro objetivo es hacer que la evaluación de la salud basada en fotografías faciales sea más cuantitativa, consistente y escalable, a fin de que respalde decisiones de tratamiento personalizadas sin sustituir el criterio médico”.
Limitaciones y futuro en la medicina
Los autores reconocen que las herramientas propuestas tienen limitaciones. Aunque los modelos son capaces de estimar la edad biológica y predecir la supervivencia a partir de fotografías tomadas en diversas condiciones de iluminación, expresiones faciales o ángulos, e incluso cuando las personas usan maquillaje, los algoritmos no están exentos de errores. Además, sus resultados no permiten identificar los mecanismos biológicos detrás de las predicciones.
A pesar de estas limitaciones, Mak enfatiza la posible utilidad de estas herramientas en el contexto médico actual. “A medida que la población envejece, los profesionales de la salud requieren métodos más efectivos para evaluar la reserva física y la fragilidad antes de recomendar tratamientos intensivos como la radioterapia, la cirugía o la terapia sistémica”, concluye.