CAN FACIAL RECOGNITION DIAGNOSE STROKE AND OTHER DISEASES?

Changes in features, movements may predict early signs of serious conditions

By Eric Niiler

Patients at Johns Hopkins Hospital who are suspected of having a stroke might get an unusual request from physicians: Can we film your face? The doctors’ goal is to identify stroke patients by facial characteristics instead of waiting for brain scans or blood tests, helping speed both treatment and recovery. The Johns Hopkins team is training a computer algorithm to recognize changes in the patients’ features, such as the paralysis of certain facial muscles or unusual eye movements, that might indicate damage to the brain from a stroke as opposed to seizures, severe migraines or anxiety disorders. “The face is probably one of the most sophisticated signaling systems in the universe,” says Robert David Stevens, director of precision medicine and chief of the division of informatics, integration and innovation at the Johns Hopkins School of Medicine. “Maybe we could actually measure what’s happening and then leverage advanced analytical techniques and artificial intelligence to process large amounts of information and generate new insights.” Early research efforts point to a future in which facial scans, perhaps embedded in a smartphone camera or even a bathroom mirror, might monitor our general health while picking up signs of long-term neurological ailments such as dementia. Some researchers believe algorithms might even be used to track how well a treatment or drug is working by detecting changes in a person’s face. Meanwhile, other researchers at the Massachusetts Institute of Technology are looking at facial recognition to diagnose the progression of amyotrophic lateral sclerosis, or ALS, a degenerative nerve disease that affects the muscles. And a Florida-based startup has developed a tool to help pediatricians diagnose rare genetic conditions by analyzing images of children’s facial features. Some medical experts say that these technologies won’t be ready for widespread use until doctors and their patients can assess how facial recognition algorithms make decisions with patient data so that humans can better trust their outcomes. “The problem is getting people to act on the data and trust the data,” says Ken Stein, chief medical officer of Boston Scientific, a biomedical firm that uses AI algorithms in its heart monitors to predict the risk of heart failure in some patients. So far, the most successful applications of artificial intelligence in medicine are when a physician uses an AI software program that can interpret images—say X-rays or other kinds of scans—and the physician can say immediately whether they agree or disagree, Dr. Stein says. In those cases, the AI acts as a backup for the doctor’s diagnosis. As AI tackles health conditions that have multiple causes—such as heart disease, cancer or dementia— computer scientists who develop the algorithms will have to work closely with doctors to explain how the AI makes its decisions that lead to its diagnosis, he notes. First developed in the early 1970s, facial-recognition technology took off in the early 1990s when a team at MIT translated facial images into a series of numbers that could be understood by a computer. In recent decades, Pentagon-funded research to improve facial-recognition technology has been widely adopted by police to identify criminal suspects. However, civil-rights groups have raised concerns that some facial recognition programs are biased because they have been less accurate in identifying individuals with darker skin, leading to false arrests. Facebook shut down its facial-recognition program in 2021, citing concerns over users’ privacy. Despite these concerns, researchers are hoping to use artificial intelligence to identify early signs of the risk of stroke and other neurological conditions before they happen, and diagnose the event after it has occurred. When a patient has a stroke, blood flow to the brain is blocked, which can destroy or damage areas of the brain, including those that control memory, speech and various facial muscles. “Can we leverage the face as a sort of decodable window on what’s happening inside the body?” says Dr. Stevens. In the Johns Hopkins study, researchers take video images when patients who are either already admitted to the hospital or just arriving are suspected of experiencing a stroke. The videos are uploaded to a database that is used to train the algorithm. Researchers have enrolled about 120 of a planned 400 patients in the preliminary study and hope to train the stroke-detection algorithm to improve its accuracy. In a preliminary study of 40 patients who had already been diagnosed by a physician, the algorithm was 70% accurate in diagnosing whether or not a patient had a stroke. Dr. Stevens says the team is also examining a person’s vital signs such as blood pressure and heart rate by analyzing how a directed source of light reflects off the skin of their faces. “Everybody’s face is actually oscillating in color very imperceptibly that can be detected with a camera,” says Dr. Stevens. “Using a very simple algorithm you can infer the heart rates, you can infer how regular that heart rate is, the oxygen level in the blood, and even infer the blood pressure.” Florida-based biotech firm FDNA has developed a software program that aims to use facial recognition to diagnose rare genetic conditions in young children. The Face2Gene platform allows a doctor to upload scans of a patient’s face to a smartphone app and then get a recommendation on whether the image might indicate one of 1,500 conditions or syndromes associated with facial features. The platform has 47,000 users, including geneticists, neurologists, pediatric specialists and researchers. The benefit is early detection, according to FDNA spokesman Erik Feingold. In Boston, researchers at Massachusetts General Hospital and MIT are using facial recognition to identify and track ALS, a progressive neurodegenerative disease that affects nerve cells in the brain and spinal cord, which leads to deterioration of muscles affecting movement, speech and eventually breathing. The team is working with EverythingALS, a nonprofit patient group that is part of a foundation set up to speed diagnosis and potential cures for the disease. The group is the brainchild of Indu Navar, a tech entrepreneur whose pursuit of a faster ALS diagnosis is a personal one. In 2016, her husband Peter Cohen, a former Amazon executive, felt his ankle getting weak and had some difficulty walking. A chiropractor told him to see a neurologist, who told him to see if it went away, or was the result of a viral infection. “It took us two years to get diagnosed,” Ms. Navar says. “He continued to deteriorate, and we were told ‘let’s wait and see.’ ’’ Mr. Cohen was finally diagnosed with ALS and died in 2019 at the age of 52, Ms. Navar says. In the last weeks of his life, Ms. Navar and her husband talked about how to improve ALS diagnosis through imaging technology and artificial intelligence. She even filmed him walking in hopes of understanding the disease’s progression. “We want to find better ways to measure symptoms and better ways to tell if a drug is working,” says Ernest Fraenkel, a professor of biological engineering at MIT who is working with EverythingALS. He and his colleagues have developed an algorithm to analyze video of ALS patients to track facial movements, measure the space between the lips (an early indicator of possible diagnosis) and changes in speech patterns. The group has recruited 1,000 volunteers in the past 18 months. The team is trying to determine if it can tell whether new ALS drugs in clinical trials are working or not. Despite the promising early results, the use of artificial intelligence today is more of a tool than a cure, Dr. Fraenkel says. “Early diagnosis is tough, but there’s strong evidence that it’s going to work eventually”

آیا تشخیص چهره می تواند سکته مغزی و سایر بیماری ها را تشخیص دهد؟

بیماران مشکوک به سکته مغزی در بیمارستان جان هاپکینز ممکن است یک درخواست غیر عادی از پزشکان دریافت کنند: آیا می توانیم از چهره شما فیلمبرداری کنیم؟ هدف پزشکان شناسایی بیماران سکته مغزی با ویژگی‌های صورت به جای منتظر ماندن برای اسکن مغز یا آزمایش خون است که به تسریع درمان و بهبودی کمک می‌کند. تیم جانز هاپکینز در حال آموزش یک الگوریتم کامپیوتری برای تشخیص تغییرات در ویژگی های بیمار، مانند فلج شدن برخی از عضلات صورت یا حرکات غیر طبیعی چشم است که ممکن است نشان دهنده آسیب مغزی ناشی از سکته مغزی باشد و برخلاف تشنج، میگرن شدید یا اضطراب. رابرت دیوید استیونز، مدیر پزشکی دقیق و رئیس انفورماتیک، ادغام و نوآوری در دانشکده پزشکی جان هاپکینز، می‌گوید: «صورت احتمالاً یکی از پیچیده‌ترین سیستم‌های سیگنالینگ در جهان است. شاید بتوانیم در واقع آنچه را که در حال وقوع است اندازه گیری کنیم و سپس از تکنیک های تحلیلی پیشرفته و هوش مصنوعی برای پردازش مقادیر زیادی داده و ایجاد بینش جدید استفاده کنیم. تلاش‌های اولیه تحقیقاتی به آینده‌ای اشاره می‌کند که در آن اسکن‌های صورت، احتمالاً در دوربین گوشی‌های هوشمند یا حتی آینه حمام تعبیه‌شده، ممکن است سلامت عمومی ما را کنترل کند و در عین حال علائم بیماری‌های عصبی طولانی‌مدت مانند زوال عقل را شناسایی کند. برخی از محققان بر این باورند که حتی ممکن است از الگوریتم ها برای ردیابی اثربخشی یک درمان یا دارو با تشخیص تغییرات در چهره افراد استفاده شود. در همین حال، محققان دیگری در MIT به دنبال تشخیص چهره برای تشخیص پیشرفت اسکلروز جانبی آمیوتروفیک یا ALS، یک بیماری عصبی که بر عضلات تأثیر می گذارد، هستند. و یک استارت آپ مستقر در فلوریدا ابزاری را برای کمک به پزشکان اطفال در تشخیص بیماری های ژنتیکی نادر با تجزیه و تحلیل تصاویر ویژگی های صورت کودکان ایجاد کرده است. برخی از کارشناسان پزشکی می‌گویند تا زمانی که پزشکان و بیمارانشان نتوانند نحوه تصمیم‌گیری الگوریتم‌های تشخیص چهره با داده‌های بیمار را ارزیابی کنند تا انسان‌ها بتوانند بهتر به نتایج آنها اعتماد کنند، این فناوری‌ها برای استفاده گسترده آماده نخواهند بود. کن استاین، مدیر ارشد پزشکی در بوستون ساینتیفیک، یک شرکت زیست پزشکی که از الگوریتم‌های هوش مصنوعی در مانیتورهای قلب خود برای پیش‌بینی خطر نارسایی قلبی در بیماران خاص استفاده می‌کند، می‌گوید: «چالش این است که مردم را وادار کنیم تا بر اساس داده‌ها عمل کنند. و به داده ها اعتماد کنید. تاکنون، موفق‌ترین کاربردهای هوش مصنوعی در پزشکی زمانی است که پزشک از یک برنامه نرم‌افزاری هوش مصنوعی استفاده می‌کند که می‌تواند تصاویر را تفسیر کند - مثلاً اشعه ایکس یا انواع دیگر اسکن‌ها - و پزشک می‌تواند فوراً بگوید موافق یا مخالف است. آستین می گوید. در این موارد هوش مصنوعی به عنوان پشتیبان تشخیص پزشک عمل می کند. از آنجایی که هوش مصنوعی با شرایط سلامتی که دلایل متعددی دارند – مانند بیماری قلبی، سرطان یا زوال عقل – مقابله می‌کند، دانشمندان رایانه‌ای که الگوریتم‌ها را توسعه می‌دهند باید با پزشکان همکاری نزدیک داشته باشند تا توضیح دهند هوش مصنوعی چگونه تصمیم‌های خود را که منجر به تشخیص آن می‌شود، می‌گیرد. اولین بار در اوایل دهه 1970 توسعه یافت، فناوری تشخیص چهره در اوایل دهه 1990 شروع شد، زمانی که تیمی در MIT تصاویر چهره را به یک سری از اعداد تبدیل کردند که توسط رایانه قابل درک بود. در دهه های اخیر، تحقیقات با بودجه پنتاگون برای بهبود فناوری تشخیص چهره به طور گسترده توسط پلیس برای شناسایی مظنونان جنایی مورد استفاده قرار گرفته است. با این حال، گروه‌های حقوق مدنی این نگرانی را مطرح کرده‌اند که برخی از برنامه‌های تشخیص چهره مغرضانه هستند، زیرا در شناسایی افراد با پوست تیره‌تر دقت کمتری دارند که منجر به دستگیری‌های کاذب می‌شود. فیس بوک برنامه تشخیص چهره خود را در سال 2021 به دلیل نگرانی در مورد حفظ حریم خصوصی کاربران تعطیل کرد. علیرغم این نگرانی ها، محققان امیدوارند که با استفاده از هوش مصنوعی، بتوانند علائم اولیه خطر سکته مغزی و سایر بیماری های عصبی را قبل از وقوع آنها تشخیص دهند و بعد از وقوع آن را تشخیص دهند. هنگامی که بیمار دچار سکته مغزی می شود، جریان خون به مغز مسدود می شود که می تواند مناطقی از مغز را از بین ببرد یا به آن آسیب برساند، از جمله آنهایی که حافظه، گفتار و ماهیچه های مختلف صورت را کنترل می کنند. آیا می‌توانیم از چهره به‌عنوان نوعی پنجره رمزگشایی برای آنچه در داخل بدن می‌گذرد استفاده کنیم؟» دکتر استیونز می گوید. در مطالعه جان هاپکینز، محققان تصاویر ویدئویی از بیمارانی گرفتند که قبلاً در بیمارستان بستری شده بودند یا به تازگی در بیمارستان بستری شده بودند و مشکوک به سکته مغزی بودند. ویدئوها در پایگاه داده ای آپلود می شوند که برای آموزش الگوریتم استفاده می شود. محققان حدود 120 بیمار از 400 بیمار برنامه ریزی شده را در مطالعه اولیه ثبت نام کرده اند و امیدوارند که الگوریتم تشخیص سکته مغزی را برای بهبود دقت آن آموزش دهند. در یک مطالعه اولیه روی 40 بیمار که قبلاً توسط پزشک تشخیص داده شده بود، این الگوریتم در تعیین اینکه آیا بیمار سکته کرده است یا خیر، 70 درصد دقیق بود. دکتر استیونز می‌گوید این تیم همچنین با تجزیه و تحلیل چگونگی انعکاس منبع نور هدایت‌شده از روی پوست صورت، به علائم حیاتی افراد مانند فشار خون و ضربان قلب نیز نگاه می‌کند. چهره همه در واقع رنگ بسیار نامناسبی دارد

دکتر استیونز می گوید که به طور قابل قبولی که با دوربین قابل تشخیص است. با استفاده از یک الگوریتم بسیار ساده می توانید ضربان قلب را استنباط کنید، می توانید میزان منظم بودن ضربان قلب، سطح اکسیژن خون و حتی فشار خون را استنباط کنید. شرکت بیوتکنولوژی FDNA مستقر در فلوریدا یک برنامه نرم افزاری ایجاد کرده است که هدف آن استفاده از تشخیص چهره برای تشخیص بیماری های ژنتیکی نادر در کودکان خردسال است. پلتفرم Face2Gene به پزشک اجازه می‌دهد تا اسکن‌های صورت بیمار را در یک اپلیکیشن گوشی هوشمند آپلود کند و سپس توصیه‌ای در مورد اینکه آیا تصویر ممکن است یکی از ۱۵۰۰ بیماری یا سندرم مرتبط با ویژگی‌های صورت را نشان دهد یا خیر، دریافت کند. این پلتفرم دارای 47000 کاربر از جمله متخصصان ژنتیک، متخصصان مغز و اعصاب، متخصصان اطفال و محققان است. به گفته اریک فینگولد، سخنگوی FDNA، مزیت آن تشخیص زودهنگام است. در بوستون، محققان بیمارستان عمومی ماساچوست و MIT از تشخیص چهره برای شناسایی و ردیابی ALS استفاده می‌کنند، یک بیماری عصبی پیشرونده که سلول‌های عصبی مغز و نخاع را تحت تأثیر قرار می‌دهد، که منجر به بدتر شدن ماهیچه‌ها می‌شود که بر حرکت، گفتار و در نهایت تنفس تأثیر می‌گذارد. این تیم در حال کار با EverythingALS، یک گروه بیماران غیرانتفاعی است که بخشی از بنیادی است که برای سرعت بخشیدن به تشخیص و درمان‌های بالقوه این بیماری ایجاد شده است. این گروه زاییده فکر ایندو ناوار، یک کارآفرین فناوری است که پیگیری تشخیص سریعتر ALS یک امر شخصی است. در سال 2016، همسرش پیتر کوهن، یکی از مدیران سابق آمازون، احساس کرد که مچ پایش ضعیف شده و در راه رفتن کمی مشکل داشت. یک متخصص کایروپراکتیک به او گفت که به یک متخصص مغز و اعصاب مراجعه کند، او به او گفت که ببیند آیا از بین رفته است یا نتیجه یک عفونت ویروسی است. خانم نوار می گوید: «دو سال طول کشید تا تشخیص داده شد. خانم ناوار می‌گوید: «او به وخامت حالش ادامه داد و به ما گفتند «بیایید منتظر بمانیم و ببینیم.» سرانجام تشخیص داده شد که آقای کوهن مبتلا به ALS است و در سال 2019 در سن 52 سالگی درگذشت. خانم نوار و همسرش در آخرین هفته های زندگی خود در مورد چگونگی بهبود تشخیص ALS از طریق فناوری تصویربرداری و هوش مصنوعی صحبت کردند. او حتی از راه رفتن او به امید درک پیشرفت بیماری فیلم گرفت. ارنست فرانکل، استاد مهندسی بیولوژیک در MIT که با EverythingALS کار می کند، می گوید: «ما می خواهیم راه های بهتری برای اندازه گیری علائم و راه های بهتری برای تشخیص اثربخشی دارو پیدا کنیم. او و همکارانش الگوریتمی را برای تجزیه و تحلیل ویدیوی بیماران ALS برای ردیابی حرکات صورت، اندازه گیری فضای بین لب ها (شاخص اولیه تشخیص احتمالی) و تغییرات در الگوهای گفتار ایجاد کرده اند. این گروه در 18 ماه گذشته 1000 داوطلب را جذب کرده است. این تیم در حال تلاش برای تعیین اینکه آیا می تواند تشخیص دهد که آیا داروهای جدید ALS در آزمایشات بالینی کار می کنند یا خیر. دکتر فرانکل می گوید با وجود نتایج امیدوارکننده اولیه، امروزه استفاده از هوش مصنوعی بیشتر یک ابزار است تا درمان. "تشخیص زودهنگام سخت است، اما شواهد قوی وجود دارد که در نهایت کارساز خواهد بود."