DEMET İLCE / MUHABİR
Çin'deki araştırmacılar, bir kişinin biyolojik yaşını belirlemek amacıyla yüz, dil ve retina görüntülerini analiz etmek için yapay zekayı kullanan bir araç geliştirdi. Teknoloji, hücrelerimizin, dokularımızın ve organlarımızın sağlığı ve durumu ile kronik hastalık riski hakkında fikir veriyor.
Birinin kronolojik yaşını anlamak için ehliyete bir göz atmak yeterlidir. Ancak biyolojik yaşın kesin olarak belirlenmesi daha zordur. Kronolojik yaştan farklı olarak, biyolojik yaş için evrensel olarak kabul edilmiş bir ölçüm yoktur; bu, çevreden, bireysel yaşam tarzı seçimlerinden ve genetikten etkilenebilir. Örneğin sigara içen biri kronolojik yaşlarından çok daha yaşlı görünebilirken, fitness tutkunu biri çok daha genç görünebilir. Ve aradaki fark yüzeysel olmaktan çok daha fazlasıdır; eğer biyolojik yaşınız kronolojik yaşınızdan büyükse, kronik bir hastalığınız olabilir veya erken bilişsel gerileme yaşayabilirsiniz. Öte yandan, eğer biyolojik olarak kronolojik yaşınızdan daha gençseniz, yaşıtlarınıza kıyasla adımlarınızda daha esnek olabilirsiniz.
Mevcut çalışmaya dahil olmayan Stanford'dan genetikçi Michael Snyder, "Biyolojik yaşınızı bilmek önemlidir, çünkü eğer uygun değilseniz sağlığınızı iyileştirmek için yaşam tarzınızı değiştirebilirsiniz" diyor.
Yaşlanan saatlerin ilk versiyonları (biyolojik yaşı ölçen modeller) bu sayıyı, farklı dokularda zamanla değişen DNA metilasyon modellerine (DNA üzerinde hangi genlerin açılıp kapandığını kontrol eden kimyasal işaretler) bakarak hesapladı. Diğer saatler, doktorların yıllık fiziksel kontroller sırasında sıklıkla test ettiği çeşitli metabolik (kan şekeri) ve inflamatuar protein belirteçlerinin miktarlarını ölçtü. Daha yakın zamanlarda bilim insanları, kişinin biyolojik yaşını belirlemek için yüzün 3 boyutlu görüntülerini, beyin taramalarını veya kandaki protein düzeylerini kullanan saatler tasarladılar.
Hepsi yaşlandıkça değişen bir şeyi takip ediyor; ister cildimizde oluşan kırışıklıklar, ister diyabet gibi yaşa bağlı hastalıkların artan olasılığı olsun. Ancak yaşlanma, birçok organ sistemini sayısız şekilde etkileyen karmaşık bir süreçtir.
Macau Bilim ve Teknoloji Üniversitesi'nden hekim-bilim adamı ve makalenin yazarlarından Kang Zhang, biyolojik yaşı tanımlamak için tek bir ölçüm türünün kullanılmasının, bir fili yalnızca hortumuna dokunarak anlamaya çalışmak gibi olduğunu söylüyor.
Bunun yerine Zhang ve çalışma arkadaşları, yüz, dil ve retina görüntülerinden gelen girdileri kullanan ve karşılık gelen yaşı ortaya koyan bir yapay zeka modeliyle biyolojik yaşın "bütünsel" bir resmini oluşturdular. Zhang, ChatGPT'ye güç veren metodoloji gibi "insanoğlunun yaşı tahmin etme yeteneğini aşıyor, çünkü çok büyük miktarda veriyi inceliyor ve görünmeyen bağlantıları keşfediyor" diyor.
University College London'dan sinir bilimci olan ve mevcut çalışmaya dahil olmayan James Cole, “Hem derin öğrenme deneyinin teknik tasarımından, hem de kullandıkları veri kümelerinin deneysel tasarımından etkilendim; Sonuçlar oldukça ikna edici” diyor.
Derin öğrenme ve biyolojik yaş
2017 Google makalesinde tanıtılan ve transformatör olarak adlandırılan bu yapay zeka teknolojisi, ilk olarak ChatGPT gibi insan dilini taklit edebilecek programlar oluşturmak için kullanıldı. Eski yapay zeka modellerinin aksine, dönüştürücüler metnin tamamını sıralı olarak işlemek yerine tek seferde işleyerek kalıpları tespit etme ve bağlamı anlama konusunda onları daha becerikli hale getiriyor.
Kısa süre sonra araştırmacılar bu yaklaşımı görüntü analizine dönüştürdü ve burada doğal dil işlemede olduğu gibi bilgisayarlı görme görevlerinde de devrim yarattı. Bu çalışmada kullanılan da dahil olmak üzere bazı transformatörlerin benimsediği bir diğer yenilik, hem kaba hem de ince ayrıntıları ayırt etmek için görüntüleri farklı çözünürlüklerde analiz etmektir.
Ancak transformatörlerin çok fazla veriye ihtiyacı vardır.
Araştırması, ilişkiyi araştırmak için yapay zeka tekniklerini beyin taramalarına uygulayan Cole, "Bu, dil açısından bir sorun değil, çünkü ortada çok fazla dil var, ancak tıbbi görüntüler için yeterli örnek bulmak çok çok daha zor" diyor. Kendisi, bu grubun çalışmaları için on binlerce kişiye erişebilmesinin harika olduğunu söylüyor.
Birçok yapay zeka modelinde olduğu gibi, model sonuçlarını insanların anlayabileceği terimlere çevirmek zorlu bir nokta olabilir.
Zhang, "Model çok incelikli ve bizim tespit edemeyeceğimiz piksel düzeyindeki farklılıklara bakıyor" diyor. Bununla birlikte, analizler dilin merkezinin (dil görüntüleri), göz çevresindeki bölgenin (yüz görüntüleri) ve kan damarlarının en yoğun olduğu göz küresinin arkasındaki bölgelerin (retina görüntüleri) biyolojik yaşlanmanın önemli yansımaları.
Biyolojik yaşı belirleyebilecek bir araç oluşturmaya başlamak için araştırmacılar, sağlıklı bireyler oldukları için biyolojik yaşlarının kronolojik yaşlarına eşit olduğu varsayılan Kuzey Çin'den 11.223 kişinin yüz, dil ve retina görüntülerini kullanarak modeli eğitti. Bu, 300 milyon değişken anlamına geliyordu.
Zhang, biyolojik yaştaki sağlıklı insanlarda bir temsili olarak kronolojik yaş tahminlerimizin, tek bir ölçüm kullanan diğer yaşlanan saatlerle karşılaştırıldığında "bir yıl içinde" daha doğru olduğunu söylüyor.
Fil hikayesinde olduğu gibi, her yöntemden gelen bilgiler yaşlanmanın farklı bir yönünü yakalıyor.
Örneğin yüzdeki kırışıklıklar güneşe maruz kalma ve kirlilik gibi çevresel faktörlere işaret eder; İncelenen retina (merkezi sinir sisteminin bir parçası) ve hasar gören kan damarları ise beyin ve dolaşım sisteminin sağlığını yansıtır. Dilin şekli ve kaplaması ise mikrobiyomumuz ve bağırsak sağlığımız hakkında ipuçları veriyor. Çalışmaya katılanlar, bu araştırmanın bir parçası olarak beş yıl boyunca kan ve idrar testleri, yaşam tarzı anketleri ve fiziksel muayeneler dahil olmak üzere düzenli sağlık kontrolleriyle takip edildi.
Zhang'ın ekibi, elindeki biyolojik yaşlanma saatiyle modelini, modeli geliştirmek için kullanılan aynı Kuzey Çin popülasyonundan diyabet ve kalp hastalığı gibi kronik hastalıklardan muzdarip sağlıksız bireyler üzerinde test etti; ayrıca Güney Çin'in farklı bir bölgesinden insanları da içeriyordu.
Beklendiği gibi sağlıklı insanlarda biyolojik yaş, kronolojik yaşa yakın bir oranda azaldı. Ancak birisinin sigara içmek ve hareketsiz yaşam gibi sağlıksız alışkanlıkları varsa veya kronik bir hastalığı varsa, biyolojik yaş, kronolojik yaştan daha yüksek olma eğilimindeydi. AgeDiff adı verilen bu fark, kronik kalp hastalığı olan bireylerde ortalama 3,16 yıl ile sigara içenlerde 5,43 yıl arasında değişiyordu.
Biyolojik ve kronolojik yaşlar farklı olduğunda ortaya çıkan sonuçlar
Biyolojik olarak kronolojik yaşınızdan daha yaşlı olmanın, yaşa bağlı altı yaygın hastalığa (kronik kalp hastalığı, kronik böbrek hastalığı, kardiyovasküler hastalık, diyabet, hipertansiyon ve felç) yakalanma riskini nasıl etkilediğini belirlemek için araştırmacılar 11.223 kişiyi dört gruba ayırdı. AgeDiff'i daha yüksek olan kişilerin bu kronik durumlardan birini geliştirme olasılığı daha yüksekti ve AgeDiff arttıkça risk de artıyordu.
Zhang, birinin yaşam boyu hastalık geliştirme riskinin ötesinde, AgeDiff'in bize hastalığın ne zaman gelişebileceği konusunda neler söyleyebileceğiyle de ilgilendi; başka bir deyişle, birine bu yıl mı yoksa beş yıl sonra mı diyabet tanısı konulacak? Zhang, zamanlamayı bilirsek "bu aslında müdahalelerin tasarlanması açısından çok yararlı olabilir" diyor.
Zhang'ın ekibi AgeDiff'in birinin ne zaman hastalanacağını tahmin etmede kan şekeri, BMI ve kolesterol gibi geleneksel ölçümlerden daha iyi olduğunu keşfetti. AgeDiff'i bu diğer faktörlerle birleştirirseniz tahmin daha da doğrudur. Şaşırtıcı olmayan bir şekilde araştırmacılar, BMI ve kan basıncı gibi sağlık göstergeleri için anormal değerlerin daha yüksek AgeDiff sayılarıyla ilişkili olduğunu da buldu.
Biyolojik saatlerin geleceği
Şu anda Zhang ve ekibi, kronik hastalıklara yakalanma riski yüksek olan kişileri belirlemek ve bu hastaların her birine müdahaleler önermek için AgeDiff'i kullanıyor. AgeDiff ile yakından bağlantılı sağlık ölçümlerini (örneğin, kan basıncı ve kan şekeri seviyeleri) hedefleyerek, "yaşlanma hastalıklarının" başlangıcını sistematik olarak geciktirmeyi umuyorlar.
Ayrıca DNA metilasyonu gibi diğer değişkenleri de ekleyerek ve diğer etnik gruplardan deneysel denekleri dahil ederek modellerini geliştiriyorlar.
Snyder, AgeDiff gibi araçların tıbbı demokratikleştirebileceğini ve hastalıkları yayılmadan önce önleme masraflarını ve zorluklarını azaltabileceğini söylüyor. Bu amaçla Zhang'ın grubu, modellerinin gerektirdiği fotoğrafları çekebilecek bir iPhone eklentisi ve ilgili uygulamalar geliştiriyor ve yıl sonuna kadar geçerli bir prototipe sahip olmayı umuyor.
Kişiselleştirilmiş tıbbın bireyin kronik hastalıklara yakalanma riskini nasıl azaltabileceğini araştıran Snyder, bu basit ve erişilebilir çözümü beğeniyor. "Herkes potansiyel olarak bunu kan almadan ve insanların şu anda yaptığı tüm testler olmadan çok kolay bir şekilde yapabilir" diyor.
