看面相断生死，AI居然真做到了？

看面相断生死，AI居然真做到了？

来源：倍可亲(backchina.com)

　　10月20日，国际医学期刊《柳叶刀·数字健康》发表了一项研究：AI仅凭一张普通的脸部照片，就能识别出癌症患者的死亡风险差异。

　　美国麻省总医院布莱根医疗集团开发了一款名为FAHR-Face的AI模型，让它从人脸照片中寻找与患者生存情况有关的线索。

　　研究人员找来3820名没参与过模型训练的癌症患者进行测试，其中，122人被AI评为极高风险，而在拍照后的90天里，这122人中有64人去世。

　　研究人员随后又使用近4900名荷兰癌症患者的数据进行外部验证，观察到了相似的结果。

　　整个预测过程，AI不需要查看病历、分析CT影像，也不需要参考血液检查结果。它只需要看一张脸。

　　01

　　AI仅凭一张脸，就能预测死亡风险

　　这项研究最重要的地方在于，AI真的能把死亡风险不同的癌症患者区分开来。

　　为了做到这一点，研究团队首先用4000多万张普通人脸照片，训练了一个视觉基础模型FAHR-Face。

　　训练方法有点像拼图：研究人员随机遮住照片中约75%的区域，再让AI根据剩下的部分，尝试还原完整的照片。经过反复训练，AI逐渐学会了识别人脸的结构，以及不同面部特征之间的联系。

　　有了这个基础，研究人员开始教它预测死亡风险。他们找来34363张癌症患者的脸部照片，以及对应的生存记录，包括患者是否已经去世、去世的时间，或者截至最后一次随访时已经存活了多久。

　　接下来，研究人员采用了一种排序学习方法，让AI比较不同患者的生存时间。例如，两名患者拍照后，一人在三个月内去世，另一人存活了更长时间。模型就需要尝试给前者打出更高的死亡风险分数。

　　通过大量这样的比较，AI逐渐学会了从人脸特征中判断不同患者的相对死亡风险。

　　最终，研究人员将模型输出的评分换算到0到1之间。分数越高，代表AI认为这名患者的死亡风险越高。

　　为了验证模型的评分准不准，研究人员另外找来了3820名没有参与训练的癌症患者。

　　结果，除了开头提到的122名极高风险患者，AI还将另外975名患者的风险评分打在了0到0.1之间。这975人中，只有20人在拍照后的90天内去世，比例仅为2.1%。

　　相比之下，极高风险患者的90天死亡比例达到了52.5%，两端相差超过25倍。模型给出的高低风险评分，确实对应着截然不同的死亡比例。

　　并且这种差异并不只存在于风险最高和最低的两个极端区间。研究人员把患者按照AI给出的风险评分，从低到高分成四组，发现随着评分升高，患者的生存率也明显下降。

　　即使把年龄、性别、癌症类型、治疗情况等因素纳入统计分析，最高风险组的死亡风险依然是最低组的3.23倍。

　　不过，到这里还有一个问题：这套模型在美国医院里表现不错，换一家医院、换一批患者，还能得到类似的结果吗？

　　研究人员又找来了荷兰Maastro放疗中心的4892名患者，使用同一套模型进行测试。

　　结果，他们再次观察到了相似的规律：AI给出的评分越高，患者的死亡风险总体上也越高。而且，考虑了年龄、性别和癌症部位等因素后，这种差异依然存在。

　　从美国医院的测试数据，到荷兰另一家医院的独立患者队列，这套模型都能识别出癌症患者之间明显的死亡风险差异。

　　那么，AI究竟从这些患者的脸上看到了什么？

　　02

　　AI究竟从人脸上看到了什么？

　　实际上，FAHR-Face并不只有前面提到的死亡风险预测功能。研究团队还开发了另一套模型，名叫FAHR-FaceAge，专门用来估计一个人的面部年龄。

　　这套模型的思路比较容易理解：同样是60岁，有些人看起来只有50岁出头，有些人却显得更加苍老。研究人员认为，一个人看起来比实际年龄老多少，可能也能反映他的健康状况。

　　他们利用数十万张标注了年龄的人脸照片训练模型，再计算AI估计的面部年龄与实际年龄之间的差距。结果发现，在癌症患者中，看起来比实际年龄更老的人，往往也面临着更高的死亡风险。

　　例如，在考虑了年龄、性别、癌症类型等因素后，AI估计的面部年龄比实际年龄大至少5岁的患者，死亡风险比其他患者高出约21%。

　　但研究团队并没有止步于此。

　　他们想知道，除了一个人看起来有多苍老，人脸上是否还藏着其他与死亡风险有关的信息。于是，他们分别分析了年龄模型和死亡风险模型，绘制出了两套AI的注意力热力图。

　　结果发现，两者关注的地方竟然明显不同。

　　预测年龄时，AI主要关注法令纹、额头和太阳穴附近；预测死亡风险时，它却更关注眼睛下方和鼻梁周围。

　　研究人员还用统计方法比较了两套模型。在荷兰的4892名患者中，面部年龄与实际年龄的差距，和AI给出的死亡风险评分之间，相关系数只有0.16，这意味着两者的关联很弱。

　　并且，当研究人员把两个指标放在一起预测患者的生存风险时，它们都保留了独立的预测作用，合并后的统计模型表现也有所改善。

　　也就是说，同一张人脸照片，AI可以从中提取出两种不同、但又能互相补充的风险预测信息。

　　但问题来了：这些信息到底是什么？

　　研究团队在论文中提出，眼睛下方、鼻子附近的特征，可能与医生长期以来观察到的重病患者面容变化有关。例如，当患者身体逐渐衰弱，面部脂肪、肌肉和皮肤状态都可能发生变化，这些变化也许会在照片上留下痕迹。

　　不过，研究人员还没有证明，AI究竟识别出了哪些具体的生理变化。

　　英国萨里大学机器学习教授Miroslaw Bober在英国科学媒体中心发布的专家点评中，也指出了这一问题。他认为，这项研究确实证明了患者的面部特征与生存风险存在统计联系，但能够预测结果，不代表已经弄清楚了原因。

　　说起来，这倒让人想起传统中医讲究的“望闻问切”。其中的“望”，就是通过观察一个人的面色、神态和形体，寻找与健康状况有关的线索。现代医学中，医生同样会留意患者有没有消瘦、憔悴等外貌变化。

　　有意思的是，这次研究的论文甚至专门引用了关于“希波克拉底面容”的医学文献——“希波克拉底面容”指的是一些病情危重、尤其是濒临死亡的患者可能出现的特殊面容：眼窝深陷、太阳穴凹陷、鼻子变得尖削，脸色苍白或灰暗。早在两千多年前，希波克拉底就记录了这些特征，并将其作为判断患者病情是否危重的线索。

　　如今，AI正在尝试把医生过去凭经验进行的观察，变成可以量化的风险指标。

　　但它究竟是发现了人眼难以察觉的新线索，还是把医生原本就能观察到的身体变化转化成了数字，目前还没有答案。

　　03

　　一张脸里，还藏着多少医学信息？

　　有意思的是，研究人员用的部分照片，原本只是医院平时为了核对患者身份而拍的普通照片。

　　而这也不是他们第一次研究人脸照片了。

　　2025年5月，团队就在《柳叶刀·数字健康》发表了最初的FaceAge研究。当时，他们还尝试让AI辅助医生预测晚期癌症患者的生存期。

　　研究人员找来100名接受姑息治疗的患者，请医生和研究人员判断他们半年后是否还活着。在加入FaceAge提供的信息后，预测效果有所改善：其中一项衡量预测能力的指标AUC，从0.74提高到了0.80。

　　到了这次FAHR-Face，研究人员已经开始尝试直接从照片中预测死亡风险。

　　这条研究路线最吸引人的地方，就是它实在太方便了。

　　CT、核磁共振需要专门的仪器，病理检查需要采集组织样本，而人脸照片只需要一台普通相机。对于医生来说，这意味着未来可能多出一种成本低、操作简单、不会增加患者身体负担的辅助评估方式。

　　研究负责人、放射肿瘤学家Raymond Mak就提到，医生在决定是否为患者安排手术、放疗或其他高强度治疗时，需要评估患者的身体状况，以及他们能否承受治疗。他希望未来AI能够让这类判断更加客观、统一。

　　不过，距离真正实现这个目标，还有不少问题需要解决。

　　首先，普通照片虽然容易获取，却也容易受到拍摄条件的影响。英国萨里大学教授Miroslaw Bober指出，只要让一个人笑一下，或者改变拍照时的光线，AI估计的面部年龄平均就可能变化两岁左右，有时差异还会更大。

　　虽然这不意味着死亡风险模型也会受到同样的影响，但如果想让人脸照片成为可靠的医学指标，就得先弄清楚这些拍摄条件究竟会造成多大干扰。

　　另外，目前研究使用的癌症患者照片仍以白人为主。对于其他人群，模型能不能保持同样的预测效果，还需要更多的数据验证。

　　更重要的是，预测死亡风险和真正帮助医生看病，仍然是两回事。2025年的FaceAge已经显示出辅助医生判断的潜力，但这次的新模型，还没有充分证明它能在医生现有的临床评估基础上，提供多少额外的帮助。

　　它能把患者按照死亡风险分成不同的组，却还没有证明这些预测能否帮助医生选择更合适的治疗方案。因此，FAHR-Face目前还不能直接用于临床。

　　顺便一提，尝试从普通人脸照片中寻找疾病线索的，并不只有麻省总医院布莱根医疗集团。

　　早在2020年，中国医学科学院阜外医院、清华大学等机构的研究人员，就在《欧洲心脏杂志》发表了一项研究，尝试让AI通过脸部照片识别冠心病。

　　在1013名患者的测试中，模型取得了0.73的AUC，表现出一定的疾病识别能力。

　　今年2月，丹麦哥本哈根大学等机构的研究团队将目光投向了急诊室，他们收集了27660名急诊患者的手机照片，让AI预测这些患者的死亡风险。

　　结果发现，仅凭人脸照片，AI就能识别出一些传统急诊分诊系统容易忽略的高风险患者。部分原本被认为病情较轻的人，被AI评出了较高的死亡风险，而他们后来也确实更容易去世。

　　不过这项研究目前还只是预印本，尚未经过正式的同行评审。

　　从癌症到冠心病，再到急诊患者，多项研究已经证明，一张普通的人脸照片里，确实包含着与患者健康有关的信息，而且这些信息可能比我们过去想象的更加丰富。

　　至于这些信息能够起到什么作用，或许还需要研究人员继续寻找答案。

版权说明 / Copyright Notice:
Content and images in this article may originate from third-party sources and are used for news reporting, commentary, or public interest purposes. All copyrights remain with their respective owners. Please refer to the Copyright Notice at the bottom of this page.
本文内容仅供信息参考，不代表倍可亲立场或观点。