Оценка признаков старения лица и предсказание видимого возраста по стандартизированным фотографиям с помощью ИИ: разработка алгоритма и внутренняя проверка

Зачем понадобилось это исследование

Оценка признаков старения лица экспертом занимает много времени и зависит от наблюдателя: разные врачи могут присваивать одному и тому же снимку разные баллы. Авторы исходят из того, что стандартизированный подход на основе искусственного интеллекта мог бы дать более воспроизводимую оценку видимого старения лица в цифровой дерматологии. Исследование посвящено не лечению, а измерению: как автоматически оценить выраженность клинических признаков старения и предсказать возраст, который припишут человеку окружающие.

В работе разведены три понятия. Реальный возраст (RA) - хронологический возраст по документам. Видимый возраст (VA) - возраст, который человеку приписывают по внешности другие люди. Предсказанный видимый возраст (PVA) - оценка того же видимого возраста, полученная алгоритмом. Биологический возраст - физиологическое или молекулярное старение, которое определяют по биомаркерам. По мнению авторов, эти величины связаны, но не взаимозаменяемы, и в исследовании биологический возраст не изучали. Во введении приведены данные ВОЗ: глобальная ожидаемая продолжительность жизни выросла с 66,8 года в 2000 г. до 73,1 года в 2019 г., а ожидаемая продолжительность здоровой жизни с 58,1 до 63,5 года.

Авторы напоминают, что воспринимаемый возраст в прежних работах связывали с возраст-ассоциированными фенотипами, функциональным состоянием, молекулярными маркёрами и выживаемостью, а методы глубокого обучения уже использовали для предсказания воспринимаемого возраста по изображениям лица. Исследователи также упоминают смартфоны с камерой не менее 5 мегапикселей как возможный инструмент массового сбора снимков и протеомные профили, получаемые с поверхности кожи липким пластырем, как будущее направление. В данной работе ни смартфоны, ни биомаркёры не использовали. Цель сформулирована так: создать и проверить конвейер автоматической оценки признаков старения и видимого возраста по стандартизированным фотографиям лица, сопоставить автоматическую оценку с оценкой экспертов и изучить связь между RA, VA и PVA в разных группах происхождения.

Как проводили

В исследование вошли 468 женщин из Северной Америки в возрасте 18-80 лет, набранных через местное агентство и сфотографированных в Далласе (Техас) и Финиксе (Аризона). Критериев включения было два: возраст 18-80 лет и отсутствие заболеваний лица (рубцы, акне, меланодермия, себорейный дерматит, телеангиэктазии и др.). По происхождению выборка включала 100 женщин восточноазиатского, 125 африканского и 243 европейского происхождения; возрастные группы от 18-30 до 71-80 лет были представлены неравномерно: в группе 71-80 лет оказалось 30 участниц, в группе 31-40 лет 97. Проект одобрило французское агентство ANSM (номер 2025-A02830-49), все участницы дали устное и письменное согласие, в том числе на анонимизацию снимков и их удаление после завершения работы.

Снимки лица в полный анфас делали стандартизированным устройством Nexa (Canfield Beauty), которое задаёт положение головы и освещение. Группа из 15 обученных экспертов, включая дерматологов, оценила 13 признаков по шкалам Skin Aging Atlas. Шкалы различались по диапазону: морщины лба 0-8, глабеллярные морщины 0-6, «гусиные лапки» 0-6, периорбитальные морщины (зона верхней части щеки) 0-9, носогубная складка 0-7, «линии марионетки» 0-8, плотность пигментных пятен 0-7, птоз нижней части лица 0-6, диффузная краснота 0-4, поры на щеках 0-5, межбровные горизонтальные складки между внутренними углами глаз 0-7, периоральные морщины верхней губы 0-6, мешки под глазами 0-6. Эксперты сидели примерно в 1 м от 24-дюймового монитора с разрешением 1920 x 1200, который ежедневно калибровали колориметром; часть снимков показывали дважды без отметки о повторе, чтобы проверить устойчивость оценок. За эталон для каждого признака принимали среднее значение баллов экспертов, поэтому эталон был непрерывным, а не целочисленным.

Отдельная «наивная» группа из 253 женщин (20-60 лет, набор в Нью-Йорке; 121 человек в возрасте 20-39 лет и 132 в возрасте 40-60 лет, единственным критерием была хорошая острота зрения) просматривала 468 кодированных снимков в случайном порядке и отвечала на вопрос «Сколько лет этой женщине?». Эти ответы и составили видимый возраст VA.

Автоматическая система построена так: стандартный алгоритм поиска ориентиров лица определяет ключевые точки (кончик носа, внутренние углы глаз и др.), затем эвристики вырезают зону, соответствующую атласу для конкретного признака. Для каждого из 13 признаков обучена отдельная регрессионная модель на основе свёрточной сети ResNet: 5 остаточных свёрточных блоков, карта признаков 1 x 1 x 512 и 3 полносвязных слоя с функцией активации ReLU, на выходе одно число, предсказанный балл. Обучение: оптимизатор Adam (β1=0, β2=0,99), скорость обучения 0,0005, размер пакета 32, до 300 эпох. Против переобучения применяли ранний останов по внутренней валидационной выборке (10% от обучающих данных) и аугментацию: хроматический шум, сдвиги тона и яркости, небольшие повороты фрагментов. Набор делили на 90% для обучения и 10% для оценки, стратифицируя по происхождению и возрасту и исключая утечку данных между участницами.

Для расчёта PVA отобрали 10 признаков, достоверно связанных с VA по оценке наивной группы. Поры на щеках, плотность пигментных пятен и диффузную красноту исключили из-за низкой корреляции с видимым возрастом. Для каждого из 10 признаков методом наименьших квадратов на обучающей выборке подобрали полином второй степени (Y = Ax² + Bx + C), где x - автоматически предсказанный балл, Y - видимый возраст по оценке наивной группы; итоговый PVA получали усреднением выходов по десяти признакам. Качество согласия оценивали по средней абсолютной ошибке (MAE), среднеквадратичной ошибке (RMSE), внутриклассовому коэффициенту корреляции (ICC), анализу Бланда-Альтмана и калибровочным графикам, а также по доле оценок с ошибкой менее 0,5, 1,0 и 1,5 единицы шкалы. Связи между RA, VA и PVA оценивали корреляцией Спирмена.

Что получилось

Сначала авторы оценили разброс самих экспертов. По большинству признаков MAE экспертной группы составила около 0,5; исключения - периорбитальные морщины и плотность пигментных пятен (около 0,6). Например, для морщин лба у женщин восточноазиатского происхождения MAE эксперта была 0,44, а доля оценок с ошибкой менее 1,0 составила 93%; для плотности пигментных пятен у женщин африканского происхождения MAE была 0,66, доля оценок с ошибкой менее 1,0 - 79%.

Автоматическая система дала меньшие ошибки. В среднем по всем 13 признакам доля оценок в пределах 1 единицы шкалы от экспертного эталона составила около 98% для восточноазиатской, около 96% для африканской и около 97% для европейской группы. Средняя абсолютная ошибка была ниже 0,3 единицы шкалы для 11 из 13 признаков; выше оказалась у межбровных и периоральных морщин верхней губы. Авторы сопоставили таблицы и пришли к выводу, что ошибки автоматической системы в 2-3 раза меньше ошибок и вариабельности экспертной группы. Для отдельных признаков MAE по группам варьировала: так, для межбровных морщин у женщин восточноазиатского происхождения она составила 0,38, у женщин африканского происхождения 0,44, а для глабеллярных морщин у женщин африканского происхождения 0,4 при 0,17-0,18 у остальных групп.

Дополнительный анализ охватил 15 сочетаний «признак и условие съёмки» (пигментные пятна и сосудистый компонент оценивали при поляризованном и неполяризованном свете). Общая MAE составила 0,292, RMSE 0,419 единицы шкалы; превышение RMSE над MAE авторы трактуют как наличие отдельных крупных ошибок. Более 90% предсказаний лежали в пределах 1 единицы от эталона для 14 из 15 сочетаний. Исключением стали пигментные пятна при поляризованном освещении: там в пределах 1 единицы оказалось только 66% оценок, MAE составила 0,879, ICC около 0,66 (95% ДИ 0,130-0,840). При неполяризованном свете те же пятна оценивались точнее: MAE 0,226, ICC 0,954, 98% оценок в пределах 1 единицы. Для остальных сочетаний ICC соответствовал хорошему и отличному согласию: например, для линий марионетки 0,976, для носогубной складки 0,970, для периорбитальных морщин 0,967, для диффузной красноты при поляризованном свете 0,963; ниже были периоральные морщины верхней губы (0,878) и птоз (0,886).

Анализ Бланда-Альтмана показал смещение, близкое к нулю, для большинства признаков, пределы согласия в основном укладывались примерно в ±1 единицу шкалы; при более высоких степенях выраженности отмечалось пропорциональное смещение. Калибровочные графики показали хорошую линейность с наклоном около 1,0 и свободным членом около 0 для большинства признаков, а отклонения от линии тождества наблюдали у пигментных пятен при поляризованном свете.

По видимому возрасту наивная группа оценивала женщин в среднем примерно на 10 лет старше их реального возраста, при этом корреляция VA и RA была сильной (r=0,94; 95% ДИ 0,928-0,950; P<0,001). Корреляция PVA с VA по оценке наивной группы составила r=0,93 (95% ДИ 0,917-0,941; P<0,001), около 70% оценок попали в пределы 5 лет от VA. Заметные расхождения отмечены в возрастных диапазонах около 40 и 60 лет. Три признака однородности кожи, а именно поры, пятна и красноту, в расчёт PVA не включали, поскольку их связь с видимым возрастом оказалась слабой; по мнению авторов, при объединении групп происхождения морщины и птоз, вероятно, вносят более стабильный вклад в восприятие возраста.

Безопасность

Вмешательств в исследовании не было: участницы только фотографировались, а нежелательные явления не регистрировали. Из этических аспектов в тексте отмечены письменное согласие, анонимизация и кодирование снимков, их удаление после завершения исследования и согласие на публикацию изображений. Отдельно обсуждается риск алгоритмической предвзятости: включение женщин трёх групп происхождения повышает разнообразие набора данных, но само по себе не доказывает справедливость и применимость алгоритма для всех популяций.

Как авторы объясняют результаты

Авторы считают, что стандартизированная съёмка устройством Nexa, оценка признаков по атласам и независимая наивная группа вместе позволяют получить воспроизводимый цифровой показатель видимого старения. Меньшую вариабельность автоматической оценки по сравнению с экспертами они связывают с тем, что система «нейтральна» и не подвержена межэкспертным различиям, тогда как человек воспринимает лицо целиком, мгновенно и может придавать больший вес отдельным зонам (верхней или нижней части лица, птозу). Проверить это предложено методом айтрекинга, но в этой работе его не применяли.

Причину систематической переоценки возраста на 10 лет и более у более молодых участниц авторы называют открытым вопросом, указывая на возможное влияние культурных и социально-экономических факторов. Увеличение расхождений в диапазонах около 40 и 60 лет они считают отражением периода, когда вариабельность лицевого старения у женщин выше из-за гормональных изменений в пери- и постменопаузе. Они также предполагают, что приписать возраст проще там, где признаки старения ещё мало выражены (18-30 лет) или уже сформированы (старше 60 лет). Для разных происхождений вместе морщины и птоз, по-видимому, вносят более стабильный вклад в восприятие возраста, чем признаки однородности кожи.

Результаты сопоставлены с более ранней работой по автоматической оценке признаков по селфи в разнообразной американской популяции, в которой точность зависела от особенностей лица, особенно связанных с пигментацией; авторы сравнивают долю оценок в пределах 1 единицы в этой работе (около 97%) с аналогичной системой на основе Skin Aging Atlas для селфи со смартфона (около 98%). Среди перспектив названы связь с кожными биомаркёрами, интеллектуальные зеркала для повторных стандартизированных съёмок и генеративные сети для персонализированной визуализации будущих изменений. Авторы подчёркивают, что PVA отражает измеримые признаки видимого старения, а связь с биологическим возрастом и здоровьем остаётся гипотезой.

Ограничения

Авторы называют несколько ограничений. Выборка состоит только из женщин Северной Америки, снятых одним стандартным устройством, поэтому нельзя переносить результаты на мужчин (отдельно упомянуты технические сложности с бородой), другие регионы, иные камеры и менее стандартизированные условия. Валидации на независимо собранном наборе данных не было: оценка выполнена на 10% того же набора. Группы по происхождению и возрасту несбалансированы, а эффективность в разных возрастных группах характеризовали менее подробно, чем в группах происхождения. Наивная группа состояла только из североамериканок 20-60 лет, и её восприятие возраста может отражать их особенности. Алгоритм PVA обучен на субъективных человеческих оценках, поэтому отражает видимые изменения, связанные с хронологическим возрастом, а не объективные признаки биологического старения. Диагностическую точность при заболеваниях, влияние на врачебные решения и исходы лечения не изучали, поэтому система не рассматривается как диагностический или прогностический инструмент. Число парных наблюдений различалось по признакам, поскольку не все признаки снимали у каждой участницы в каждой сессии. В полученном тексте статьи нет раздела о финансировании и конфликте интересов, поэтому оценить его по этому тексту нельзя; в благодарностях указано, что ИИ использовали как часть методологии оценки лица, а генеративные ИИ-инструменты не применяли для получения данных и выводов.

Что взять в практику

Для практикующего косметолога работа интересна как описание того, как можно стандартизировать фотофиксацию и оценку по атласным шкалам: фиксированное положение головы, постоянное освещение, оценка нескольких независимых экспертов, повторные предъявления снимков для проверки устойчивости. Авторы показывают, что при таких условиях автоматическая оценка согласуется с усреднённой экспертной в пределах 1 единицы шкалы для подавляющего большинства снимков, а потенциальная область применения - научные исследования и динамическое наблюдение за видимыми изменениями лица.

При этом система не подтверждена вне исходного набора данных, на мужчинах и на других устройствах, не оценивала результаты процедур и не может использоваться как диагностический инструмент. Видимый возраст по данным исследования сам по себе смещён примерно на 10 лет в сторону завышения, а показатель PVA нельзя интерпретировать как биологический возраст или маркёр здоровья. Для консультирования пациента корректно говорить лишь о том, что это экспериментальный метод оценки видимых признаков старения, не имеющий пока клинической валидации.

Термины

Видимый возраст (VA)

Возраст, который человеку приписывают по внешности другие люди; отличается от хронологического и биологического возраста.

Предсказанный видимый возраст (PVA)

Оценка видимого возраста, рассчитанная алгоритмом как среднее значение полиномиальных функций по 10 автоматически оценённым признакам старения.

Средняя абсолютная ошибка (MAE)

Среднее абсолютное расхождение между автоматическим баллом и усреднённым баллом экспертов, в единицах шкалы Skin Aging Atlas.

Внутриклассовый коэффициент корреляции (ICC)

Показатель согласия между двумя способами измерения; в работе значения около 0,9 и выше трактуются как отличное согласие.