Descubre cómo una IA analiza selfies para predecir la supervivencia de pacientes con cáncer

Un innovador enfoque en la evaluación del riesgo de mortalidad en pacientes con cáncer ha surgido gracias a un modelo de inteligencia artificial (IA) desarrollado por investigadores de Mass General Brigham (MGB). Este sistema es capaz de calcular la edad biológica y predecir las probabilidades de supervivencia mediante el análisis de imágenes faciales, lo que podría representar un avance significativo en la personalización de tratamientos para diversas neoplasias malignas.

Expertos en el campo han señalado que las imágenes del rostro pueden actuar como un biomarcador accesible y no invasivo, proporcionando información sobre el estado general de salud y el envejecimiento. Sin embargo, la cuantificación y calificación de lo que la apariencia facial puede revelar sigue siendo un reto, ya que establecer una interpretación objetiva de los rasgos faciales resulta complicado.

Investigaciones anteriores han sugerido que los avances en inteligencia artificial podrían ayudar a enfrentar este desafío. En los últimos años, se han creado modelos experimentales que predicen el riesgo de mortalidad por diversas causas y la progresión de enfermedades a partir del análisis de fotografías de millones de pacientes.

Superando Limitaciones con FAHR-Face

A pesar de los avances, muchos de estos algoritmos sufren de limitaciones debido a la falta de datos representativos de diferentes poblaciones y a los sesgos en la información utilizada para su entrenamiento. Esto puede resultar en resultados inexactos, especialmente al aplicar los modelos a grupos de personas que no fueron representados en su desarrollo.

Con el fin de abordar estas inconsistencias, los investigadores de MGB presentaron FAHR-Face, un modelo de IA que ha sido entrenado con más de 40 millones de imágenes faciales utilizando técnicas de aprendizaje autosupervisado. Esta metodología permitió al sistema identificar características y patrones visuales sin depender de diagnósticos médicos previos.

Tras esta etapa inicial enfocada en el reconocimiento de rasgos generales, el modelo fue capaz de relacionar elementos de las imágenes y especializarse en tareas específicas, como detectar señales vinculadas a enfermedades. Para este fin, se emplearon conjuntos de fotografías más reducidos que incluían información clínica relevante.

Hugo Aerts, director del programa de Inteligencia Artificial en Medicina de MGB y coautor del estudio, destacó la importancia de este enfoque, afirmando que “este modelo fundamental nos proporciona una forma escalable de desarrollar múltiples biomarcadores de salud facial, evitando la necesidad de entrenar cada modelo desde cero”.

Herramientas de Pronóstico en el Cáncer

El trabajo, publicado en la revista The Lancet Digital Health, detalla cómo los investigadores utilizaron FAHR-Face para crear dos herramientas que ofrecen información complementaria sobre el riesgo de mortalidad. La primera herramienta, llamada FAHR-FaceAge, estima la edad biológica a partir de fotografías faciales. Para su desarrollo, el algoritmo fue entrenado en dos fases utilizando diez conjuntos de datos públicos que contenían 743,152 imágenes de personas con edades cronológicas conocidas.

Para evaluar su eficacia, se realizó una prueba en la que el sistema debía calcular la edad de diferentes individuos a partir de imágenes no empleadas en su entrenamiento, seguido de un análisis con fotografías de más de 4,890 pacientes que habían recibido radioterapia.

Los resultados indicaron que las estimaciones del algoritmo se desviaron de la edad cronológica en un promedio de 5.1 años en la prueba general y cerca de siete años en el análisis de pacientes radiados. Los investigadores interpretan esta discrepancia como un posible indicador de un envejecimiento biológico acelerado.

Relación entre Edad Biológica y Supervivencia

En un segundo análisis, se examinó la relación entre esta edad biológica y la supervivencia de 38,183 pacientes con cáncer que habían recibido tratamiento de radioterapia. Los hallazgos revelaron que aquellos con una edad biológica estimada al menos cinco años mayor que su edad cronológica tenían un 21% más de riesgo de muerte en comparación con el resto de los participantes. Esto sugiere que las personas cuyos rostros reflejaban una edad significativamente mayor a la real también enfrentaban una mayor probabilidad de fallecimiento.

Así, los investigadores concluyeron que FAHR-FaceAge no solo puede estimar la edad biológica de los pacientes, sino que esta estimación tiene una correlación directa con sus probabilidades de supervivencia tras el diagnóstico de cáncer.

Predicción Directa del Riesgo de Mortalidad

Por otro lado, el segundo algoritmo, denominado FAHR-FaceSurvival, fue diseñado para predecir el riesgo de mortalidad de manera directa a partir de una fotografía facial, sin estimar previamente la edad biológica. Este sistema se entrenó con más de 34,360 imágenes de pacientes oncológicos, junto con datos sobre su supervivencia, permitiéndole identificar características faciales que podrían relacionarse con el tiempo de vida tras el diagnóstico.

Para evaluar su efectividad, los investigadores 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 aquellos con riesgo más bajo, manteniendo esta diferencia incluso al considerar factores como edad, sexo, tipo de cáncer y técnica de radioterapia utilizada.

Aerts señaló que “FAHR-FaceSurvival avanza el campo de la IA en el reconocimiento de la salud facial al aprender el riesgo de supervivencia directamente a partir de fotografías faciales. 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 imagen”.

Complementando la Evaluación Clínica

Aunque ambos algoritmos se sustentan en el mismo modelo de IA y analizan características faciales para sus pronósticos, se destaca que las estimaciones de edad biológica y las predicciones de supervivencia no dependen de los mismos rasgos fisiológicos. FAHR-FaceAge se enfoca en áreas como los pliegues nasolabiales y las sienes, mientras que FAHR-FaceSurvival analiza regiones debajo de los ojos y alrededor de la nariz. Estas diferencias apoyan la hipótesis de que los indicadores de envejecimiento y supervivencia podrían complementarse para ofrecer pronósticos más precisos.

Los investigadores aclaran que ambos sistemas están diseñados como herramientas de asistencia para complementar la evaluación clínica y facilitar decisiones adaptadas a cada paciente, sin sustituir el juicio de los profesionales de la salud. Raymond Mak, miembro del AIM y coautor del estudio, enfatiza: “Nuestro objetivo es hacer que la evaluación de la salud mediante fotografías faciales sea más cuantitativa, consistente y escalable, contribuyendo así a decisiones de tratamiento personalizadas”.

A pesar de las limitaciones que presentan estas herramientas, como la posibilidad de errores en las estimaciones debido a condiciones de iluminación o expresiones faciales, así como la incapacidad para identificar los mecanismos biológicos detrás de las predicciones, Mak resalta su relevancia en la medicina contemporánea. “Con el envejecimiento de la población, los médicos necesitan mejores métodos para evaluar la reserva física y la fragilidad antes de recomendar tratamientos intensivos como la radioterapia o la cirugía”, concluye.