Większość modeli AI w obrazowaniu odpowiada na pytanie o jeden moment: co znajduje się na tym zdjęciu? Tymczasem choroby włosów rozwijają się tygodniami, miesiącami i latami. Dlatego w medycynie włosa znacznie ważniejsze może być inne pytanie: co zmieniło się u tego samego pacjenta od poprzedniej wizyty?
Pojedynczy obraz jest tylko punktem na osi czasu
Pacjent z AGA nie pojawia się w gabinecie jako statyczny przypadek. Proces miniaturyzacji postępuje, stabilizuje się albo zmienia pod wpływem leczenia. Podobnie w AA, chorobach zapalnych czy po transplantacji znaczenie ma dynamika.
Jedno zdjęcie może pomóc w ocenie aktualnego stanu. Seria poprawnie wykonanych badań może pokazać trajektorię. Właśnie dlatego przyszłe systemy AI powinny być projektowane nie tylko do klasyfikacji, ale do analizy delta: co zmieniło się między T0, T1, T2 i kolejnymi punktami.
Najpierw trzeba odnaleźć ten sam obszar
Porównanie ma sens tylko wtedy, kiedy analizujemy możliwie podobną lokalizację. Zdjęcie opisane jako „vertex” dzisiaj i kolejne „vertex” po sześciu miesiącach mogą w praktyce różnić się o kilka centymetrów. Włosy nie są rozmieszczone idealnie równomiernie, więc sama zmiana miejsca może wygenerować pozorną poprawę albo pogorszenie.
Dlatego jednym z kluczowych problemów jest image registration. System powinien pomagać w ponownym odnalezieniu tej samej lokalizacji na podstawie punktów orientacyjnych, układu mieszków albo mapy skóry głowy.
Standaryzacja jest równie ważna jak model
Inne powiększenie, oświetlenie, docisk urządzenia, ilość sebum czy długość włosów mogą zmienić obraz. Jeżeli chcemy analizować trendy, warunki badania muszą być możliwie powtarzalne. AI może pomagać w kontroli jakości i sygnalizować, że dwa obrazy nie są wystarczająco porównywalne.
To ważna zmiana myślenia: dobry system nie powinien na siłę porównywać wszystkiego. Powinien potrafić powiedzieć, że porównanie jest metodologicznie słabe.
Trajectory analysis zamiast prostego before and after
Klasyczne zdjęcie „przed i po” pokazuje dwa punkty. Trajectory analysis wykorzystuje całą serię. Jeżeli mamy pięć wizyt w ciągu 18 miesięcy, możemy obserwować trend gęstości, udziału cienkich włosów, rozkładu średnic czy innych parametrów.
To pozwala odróżnić pojedynczy szum pomiarowy od bardziej stabilnej zmiany. Jednorazowy spadek jednego parametru może być artefaktem. Systematyczny trend przez kilka wizyt jest znacznie bardziej informacyjny.
Leczenie też jest częścią osi czasu
Sama analiza obrazu nie wystarczy, jeżeli nie wiemy, co działo się z terapią. W longitudinal patient model powinny znaleźć się daty rozpoczęcia i zakończenia leczenia, zmiany schematu, przerwy, działania niepożądane i adherence. Dopiero wtedy można próbować interpretować zmianę fenotypu w kontekście czasu.
To nie znaczy, że AI automatycznie udowodni przyczynowość. Może natomiast uporządkować dane tak, żeby specjalista widział zależności i momenty wymagające dokładniejszej analizy.
Największa wartość: obiektywizacja zmiany
W praktyce wiele kontroli kończy się opisem: „jest lepiej”, „stabilnie”, „wydaje się gęściej”. Taki język jest użyteczny klinicznie, ale trudny do późniejszej analizy. Longitudinal AI może dodać do niego drugą warstwę: zmianę liczbową wraz z informacją o jakości pomiaru i niepewności.
Największy postęp nie musi więc polegać na tym, że model będzie lepiej niż człowiek nazywał chorobę. Może polegać na tym, że zaczniemy znacznie dokładniej mierzyć jej przebieg.
Medycyna włosa jest naturalnym środowiskiem dla longitudinal AI
Włosy zmieniają się stosunkowo wolno, a terapia często wymaga wielu miesięcy. To sprawia, że kolejne punkty czasowe mają ogromne znaczenie.
Jeżeli połączymy standaryzowaną trichoskopię, image registration, quantitative hair phenotyping i historię terapii, otrzymujemy podstawę do stworzenia cyfrowego modelu przebiegu pacjenta. To właśnie longitudinal intelligence, a nie pojedyncza predykcja, może stać się jednym z najważniejszych zastosowań AI w medycynie włosa.
O autorze
Marcel Kollek – trycholog kliniczny i twórca CELLØKLAB Technology. Zajmuje się zastosowaniem sztucznej inteligencji, computer vision i analizy danych w trichoskopii, ze szczególnym uwzględnieniem quantitative hair phenotyping, longitudinal monitoring oraz walidacji modeli AI.
ORCID: 0009-0006-3190-5023
Publikacje: 10.5281/zenodo.22860797 oraz 10.5281/zenodo.22861453