柳叶刀子刊研究显示FAHR-Face模型可通过面部图像评估癌症患者死亡风险
柳叶刀最新:一张照片就能判断癌症患者还能活多久,AI已经做到了?
哈佛团队在《柳叶刀·数字健康》发表研究,开发FAHR-Face模型利用面部图像估算癌症患者的生物学年龄与死亡风险。在3820名患者的测试集中,最高风险组90天死亡率达52.5%,最低风险组为2.1%,调整混杂因素后最高风险组死亡风险是最低组的3.23倍。研究指出该模型预测效能有限,无因果意义,仅能辅助风险分层。
12分钟前 梅斯肿瘤新前沿 MedSci原创 发表于上海
研究开发FAHR-FaceAI模型,依托面部图像量化癌症患者生物年龄与死亡风险,面部衰老速率也有预后价值;可辅助风险分层,但预测效能有限、无因果意义,仅作为医生临床望诊的补充工具,不能替代临床决策。
肿瘤科医生查房,走进病房的第一眼,其实已经在做判断了。病人是自己坐着还是半躺着,脸上的肉是紧的还是松的,眼窝有没有陷下去——这些信息在开口问病史之前,就已经在脑子里拼出了一个模糊的“这人大致扛不扛得住”的印象。医学院里没人专门教这门课,但它真实地影响着治疗决策:同样分期的两个人,一个上强度,一个往回收。
问题是,这种“望诊”没法标准化,也没法写进病历。不同医生看同一个人,结论可能不一样;同一个医生今天看和下周看,印象也可能漂移。哈佛附属麻省总医院布里格姆团队最近在《柳叶刀·数字健康》上发的一项研究,做的事情就是把这种说不清道不明的“看一眼”变成可量化的数字。
他们训练了一个叫FAHR-Face的基础模型,用了超过4000万张面部图像,然后微调出两个工具:一个估算“生物学年龄”(FAHR-FaceAge),一个直接预测癌症患者的死亡风险(FAHR-FaceSurvival)。通讯作者Raymond Mak说得很直白,目标是让基于照片的评估更加定量、一致、可扩展,而不是取代医生的判断。

它看到的不是“长得老”,是身体储备被消耗掉的痕迹
FAHR-FaceSurvival最扎眼的数据来自一个3820名癌症患者的测试集。模型给每个人打了一个0到1的生存风险评分。在得分最高区间(0.9—1.0)的122名患者中,64人(52.5%)在拍照后的90天内死亡;而得分最低区间(0.0—0.1)的975名患者,90天内死亡率只有2.1%。拉到更长的时间尺度,差距没有收窄:最低风险四分位组的5年生存率是78.1%,最高风险组是17.7%;调整混杂因素后,最高风险组的死亡风险是最低风险组的3.23倍。

左侧图示展示了对FAHR-FaceSurvival模型预测癌症生存结果最为重要的特征,而右侧图示则展示了对FAHR-FaceAge模型估算生物年龄最为重要的特征。图中黄色区域对各模型的预测结果影响最大。
另一条线索来自FaceAge。它估算出的“面部年龄”与实际年龄的相关性很弱(R=0.16),说明它测的不是身份证上的年份,而是某种和健康耗损更相关的东西。在美国接受放疗的癌症患者中,看起来比实际年龄大至少5岁的人,平均4年随访期内死亡风险高出21%;看起来年轻至少5岁的人,死亡风险低17%。在早期NSCLC患者中,face age每增加十年,调整后总生存的HR为1.39(95% CI 1.13—1.71),而实际年龄的预测能力在调整后并不显著。
有意思的是,两个模型关注的区域并不一样。FaceAge重点看法令纹、额头和太阳穴,FaceSurvival主要评估眼睛下方和鼻梁周围。它们捕捉的是互补而非重叠的信息,放在一起用时,生存模型的拟合在外部队列中进一步改善。
一张照片的价值,不在“算命”而在“分层”
如果把这项研究读成“AI看脸就能算出还能活几个月”,那就跑偏了。同一团队2026年发表在《Nature Communications》上的后续工作给出了另一个更有临床气质的指标:面部衰老速率(Face Aging Rate,FAR)。他们用2276名放疗患者的系列照片计算FaceAge随时间的变化速度,发现FAR越高,总生存越差;在两次照片间隔731—1460天的亚组中,调整后HR达到1.65(95% CI 1.22—2.22)。FAR提供了单时间点FaceAge之外的额外预后信息。换句话说,重要的不只是“现在看起来多老”,还有“老下去的速度有多快”。
在治疗决策层面,面部信息的潜力在鼻咽癌的多模态研究中已经露出了一个角。一项纳入1250例患者的研究把面部照片和MRI影像整合在一起,Face模型的 external validation C-index为0.711,Face–MRI联合模型提升到0.721。更关键的是风险分层带来的治疗异质性:在高风险组中,标准治疗基础上加免疫治疗的患者生存优于单纯标准治疗;而在低风险组中,加免疫治疗并未带来生存获益。这提示面部表型捕捉到的“全身储备状态”,可能和肿瘤局部的影像特征一样,影响的是“什么人能从什么治疗里获益”。
但边界也要说清楚。JAMA Network Open同期的一篇评论在肯定face age与生存关联的同时,点出了一个不能回避的事实:在早期NSCLC队列中,表现最好的模型AUC仅约0.60,只是略高于随机水平。评论作者还提醒,预测效用和因果推断是两件事,AI模型对背后的因果结构并不敏感。一个脸部特征和死亡风险之间的统计关联,不等于“脸老导致预后差”,更不意味着可以通过干预面部来改变结局。
写在最后
面部表型作为预后标志物的价值,不在于替医生做决定,而在于把“望诊”里那些原本无法记录、无法比较、无法传承的判断,变成一个可以放进模型、放进临床试验、放进前瞻性验证的变量。它最终能不能站住,不取决于4000万张训练图像有多壮观,而取决于接下来有没有足够多的外部队列证明:在分期、体能状态、分子分型之外,这张脸确实多告诉了我们一些东西。
参考文献
Haugg F, Lee G, He J, et al. Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study. The Lancet Digital Health. 2026.
Haugg F, Lee G, He J, et al. Face aging rate quantifies change in biological age to predict cancer outcomes. Nature Communications. 2026;17.
版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
来源:梅斯医学·临床资讯 · news.medsci.cn
