Mass General Brigham develops the FAHR-Face model to predict survival risk of cancer patients using facial photos

这项名为 FAHR-Face 的基础人工智能模型由美国马萨诸塞州综合医疗机构 Mass General Brigham 的研究团队开发，使用了超过4000万张不同年龄和族群的面部照片进行训练。研究人员以此为基础，开发出两种互补的分析工具：FAHR-FaceAge和FAHR-FaceSurvival。前者估算一个人的生物学年龄，并利用这一信息辅助评估癌症预后；后者则直接从面部照片中预测癌症患者的生存风险，而不是先估算年龄再间接推断结果。

研究团队利用癌症患者的临床照片及其后续医疗结果训练模型。其中，FAHR-FaceSurvival使用了34363张癌症患者面部照片进行针对性训练，并在独立患者数据集中接受验证。研究人员希望通过这种方式，让人工智能从面部图像中识别与患者身体状况和生存结局有关的信号。

研究结果显示，FAHR-FaceSurvival具有较强的风险区分能力。按照模型预测结果，处于死亡风险最高10%区间的患者中，约有一半在90天内死亡；而处于风险最低10%区间的患者中，这一比例约为2%。如果按照四分位数比较，最高风险组的死亡风险也显著高于最低风险组，调整后的风险比为3.23。

研究人员还发现，人工智能估算的生物学年龄与实际年龄之间的差距，同样与癌症患者的生存结局存在关联。在接受放射治疗的患者中，面部看起来比实际年龄大至少5岁的人，在平均约4年的随访期间，死亡风险比其他患者高21%；而面部看起来比实际年龄年轻至少5岁的人，死亡风险则低17%。

这并不意味着一个人看起来年轻，就一定能够更好地抵抗癌症。研究中的生物学年龄是一种由人工智能根据外貌估算的指标，并非直接测量细胞衰老、器官功能或免疫系统状态。它可能综合反映身体消耗、肌肉和软组织变化以及其他与健康有关的因素，但模型究竟识别了哪些具体生理信号，目前仍未完全明确。

研究人员通过分析模型的注意力区域，发现两种工具关注的面部位置有所不同。FAHR-FaceAge主要分析鼻翼至嘴角的法令纹、额头以及太阳穴区域；FAHR-FaceSurvival则更多关注眼睛下方和鼻梁周围。这说明，预测生物学年龄与预测生存风险可能依赖不同的面部信息。

研究团队认为，这项技术未来可能帮助医生在决定是否采用手术、放射治疗或全身性药物治疗之前，更好地评估患者的身体储备和虚弱程度。对于年龄较大、身体状况复杂，或者缺乏完整传统生物标志物数据的患者，面部照片分析有望成为一种成本较低、操作简便的辅助评估方式。

研究还发现，生活方式与面部呈现出的生物学年龄存在关联，其中吸烟与面部显得更衰老之间的关联最为突出，过量饮酒和药物使用也与类似现象有关。研究人员同时表示，FAHR-FaceAge在不同拍摄角度、光线、表情和化妆条件下表现出一定稳定性，在测试过的大多数整形手术后也保持了相对稳定的估算结果，但隆鼻手术会带来较小变化。

尽管如此，研究人员和外部专家都强调，这项技术目前还不能直接取代医生的判断。模型预测的准确性并不自动意味着它能改善实际治疗效果。未来研究仍需确认，将面部分析结果加入医生已经掌握的病史、检查数据和体能评估后，能否进一步提高预测准确性，并真正帮助患者获得更好的治疗结果。

此外，模型训练所用的患者群体主要来自高收入国家，如何确保其适用于不同族群、年龄层和医疗环境，仍是重要问题。由于面部特征可能与种族背景及既往医疗条件有关，人工智能也可能继承训练数据中的偏差。因此，在大规模应用之前，还需要开展更广泛的独立验证和前瞻性临床研究。

相关研究成果已发表于《柳叶刀·数字健康》（The Lancet Digital Health）。研究团队希望，未来能够从一张普通照片中提取更多可量化的健康指标，让面部分析成为临床风险评估的补充工具，而不是依据外貌单独决定患者的治疗机会。