AI Baca Foto Wajah untuk Memperkirakan Risiko Kanker
Peneliti Mass General Brigham mengembangkan AI yang membaca foto wajah untuk memperkirakan usia biologis dan kelangsungan hidup pasien kanker. Teknologi ini berpotensi menjadi alat bantu medis, bukan pengganti dokter.
Peneliti dari Mass General Brigham di Amerika Serikat mengembangkan kecerdasan buatan (AI) yang dapat memperkirakan usia biologis dan memprediksi kelangsungan hidup pasien kanker dari foto wajah biasa. Temuan yang dipublikasikan dalam jurnal The Lancet Digital Health ini membuka kemungkinan pemanfaatan foto sebagai salah satu alat bantu bagi dokter dalam menilai kondisi pasien.
Teknologi tersebut dikembangkan dengan melatih sistem menggunakan lebih dari 40 juta foto wajah dari orang-orang dengan beragam usia dan latar belakang etnis. Penelitian ini menunjukkan bahwa pola tertentu pada wajah dapat membawa informasi yang berkaitan dengan kondisi kesehatan, termasuk peluang bertahan hidup pasien kanker.
Meski disebut dapat bekerja dari foto wajah, hasilnya bukan berarti swafoto bisa menentukan nasib pasien secara pasti. Dalam laporan penelitian, teknologi ini dijelaskan sebagai alat bantu yang berpotensi mendukung pertimbangan medis, bukan sebagai pengganti dokter.
Dua model AI dengan pendekatan berbeda
Para peneliti mengembangkan dua alat dari model dasar yang sama, yakni FAHR-FaceAge dan FAHR-FaceSurvival. Keduanya dirancang untuk membaca aspek yang berbeda, meskipun sama-sama menggunakan informasi dari wajah.
FAHR-FaceAge memperkirakan usia biologis seseorang. Usia biologis menggambarkan kondisi tubuh berdasarkan karakteristik yang terbaca, dan tidak selalu sama dengan usia kronologis atau usia berdasarkan tanggal lahir. Model ini juga digunakan untuk memprediksi kelangsungan hidup pasien kanker.
FAHR-FaceSurvival mengambil jalur yang lebih langsung. Model tersebut memperkirakan peluang bertahan hidup pasien kanker dari foto wajah, tanpa terlebih dahulu menghitung usia biologis. Dengan demikian, dua alat itu tidak sekadar mengulang fungsi yang sama, tetapi menangkap informasi kesehatan yang berbeda dan saling melengkapi.
Hugo Aerts, salah satu penulis senior penelitian, menyebut pengembangan ini sebagai kemajuan dalam analisis kesehatan berbasis pengenalan wajah. Namun, laporan yang tersedia tidak menyebutkan angka akurasi atau menjelaskan besaran peluang hidup yang dapat diberikan model kepada seorang pasien.
Bagian wajah yang dianalisis tidak sama
Perbedaan pendekatan terlihat dari area wajah yang menjadi perhatian masing-masing algoritma. FAHR-FaceAge lebih banyak membaca lipatan yang membentang dari sisi hidung hingga sudut mulut, bagian dahi tepat di atas rongga mata, serta area pelipis.
Sementara itu, FAHR-FaceSurvival lebih berfokus pada area di bawah mata dan sekitar pangkal hidung. Perbedaan ini menunjukkan bahwa model untuk memperkirakan usia biologis dan model untuk menilai kelangsungan hidup mengandalkan pola wajah yang tidak sepenuhnya sama.
Penelitian tersebut berangkat dari gagasan bahwa wajah dapat menyimpan petunjuk yang berkaitan dengan kondisi tubuh. AI kemudian dilatih untuk mengenali pola dari kumpulan foto berskala besar. Namun, informasi yang bisa dibaca algoritma tetap merupakan perkiraan berdasarkan pola, bukan pemeriksaan langsung terhadap tubuh pasien.
Potensi sebagai alat bantu, bukan kepastian medis
Jika dikembangkan lebih lanjut, analisis foto wajah berpotensi menjadi cara yang relatif sederhana dan murah untuk melengkapi penilaian kesehatan. Bagi dokter, informasi tambahan seperti perkiraan usia biologis atau prediksi kelangsungan hidup dapat membantu dalam mempertimbangkan strategi perawatan.
Namun, hasil sebuah model AI perlu ditempatkan secara proporsional. Prediksi berbasis wajah tidak sama dengan diagnosis kanker, dan tidak dengan sendirinya menjelaskan kondisi spesifik yang dialami pasien. Keputusan perawatan tetap memerlukan penilaian medis, sementara laporan penelitian yang tersedia tidak merinci bagaimana sistem ini akan digunakan dalam praktik klinis.
Besarnya data pelatihan—lebih dari 40 juta foto—menjadi salah satu ciri utama penelitian ini. Foto-foto itu mencakup orang dengan usia dan latar belakang etnis yang beragam, tetapi jumlah data saja tidak menjelaskan seluruh kemampuan maupun batasan model. Informasi tentang ketepatan prediksi dan penerapannya perlu dibaca bersama hasil penelitian lengkap.
Temuan ini menambah satu kemungkinan baru dalam penggunaan AI di bidang kesehatan: memanfaatkan gambar yang mudah diperoleh untuk menyaring petunjuk awal. Langkah berikutnya adalah memahami seberapa konsisten perkiraan tersebut dan bagaimana ia dapat mendukung dokter tanpa menggeser keputusan klinis dari tangan tenaga medis.
