AI仅凭面部照片即可预测癌症患者死亡风险，引发医学界关注

事件概述

10月20日，国际医学期刊《柳叶刀·数字健康》（The Lancet Digital Health）发表了一项由美国麻省总医院布莱根医疗集团（Massachusetts General Hospital Brigham and Women's Hospital）主导的研究。研究团队开发了名为 FAHR-Face 的AI模型，证实仅凭一张普通的脸部照片，即可有效区分癌症患者的死亡风险差异。

核心信息与数据

• 模型原理：FAHR-Face基于4000多万张普通人脸照片训练视觉基础模型，采用类似“拼图”的掩码自编码器方法学习面部结构。随后，研究人员利用34,363张癌症患者照片及生存记录，通过排序学习方法让模型比较不同患者的相对生存时间，从而输出0到1之间的死亡风险评分。
• 内部验证结果：在3820名未参与训练的癌症患者测试集中：
  • 极高风险组：122名被AI评为极高风险的患者中，有64人在拍照后90天内去世，死亡比例为 52.5%。
  • 低风险组：975名风险评分在0至0.1之间的患者中，仅有20人在90天内去世，死亡比例仅为 2.1%。
  • 分层分析：将患者按风险评分分为四组，随着评分升高，生存率显著下降。即使校正年龄、性别、癌症类型和治疗情况等因素，最高风险组的死亡风险仍是最低组的 3.23倍。
• 外部验证结果：使用荷兰Maastro放疗中心的4892名患者数据进行独立验证，观察到了相似的规律，证明模型在不同医院和人群中的泛化能力。

AI关注的特征与机制

• 面部年龄与健康关联：研究团队还开发了 FAHR-FaceAge 模型估计面部年龄。发现AI估计的面部年龄比实际年龄大至少5岁的患者，其死亡风险高出约 21%。
• 注意力热力图差异：通过对比两个模型的注意力机制，发现预测年龄时AI主要关注法令纹、额头和太阳穴；而预测死亡风险时，AI更关注 眼睛下方和鼻梁周围。两者相关系数仅为0.16，表明它们提取了互补的风险信息。
• 生理线索推测：研究人员推测，眼睛下方和鼻周的特征变化可能与重病面容（如面部脂肪流失、肌肉萎缩）有关，这与传统医学中描述的“希波克拉底面容”（Hippocratic facies）——即危重患者出现的眼窝深陷、面色苍白等特征——存在统计学联系。

行业背景与局限性

• 同类研究进展：
  • 2020年：中国医学科学院阜外医院等机构在《欧洲心脏杂志》发表研究，尝试通过人脸照片识别冠心病，AUC达到0.73。
  • 2025年5月：同一团队在《柳叶刀·数字健康》发表FaceAge研究，辅助医生预测晚期癌症患者半年存活率，AUC从0.74提升至0.80。
  • 2026年初：丹麦哥本哈根大学等机构收集27,660名急诊患者手机照片，预印本显示AI能识别出传统分诊系统忽略的高风险患者。
• 潜在优势：相比CT、核磁共振或病理检查，人脸照片获取成本低、无创且操作简便，未来可能作为评估患者身体状况、决定治疗方案（如手术耐受性）的辅助工具。
• 当前挑战：
  • 环境干扰：英国萨里大学教授Miroslaw Bober指出，光线、表情（如微笑）等拍摄条件可能导致面部年龄估计偏差达两岁左右，需明确其对死亡风险预测的影响。
  • 数据多样性：目前研究数据以白人为主，其他族裔人群的预测效果仍需验证。
  • 临床转化距离：虽然模型能区分风险组别，但尚未证明其能直接优化临床治疗决策或提供超出传统评估的额外价值，目前不能直接用于临床诊断。

专家观点

英国科学媒体中心发布的专家点评认为，该研究证明了面部特征与生存风险之间存在统计联系，但“能够预测结果不代表已经弄清楚了原因”。AI究竟是发现了人眼难以察觉的新生物标志物，还是量化了医生已知的身体衰弱迹象，仍有待进一步研究。