10月20日，國際醫學期刊《柳葉刀·數字健康》發表了一項研究：AI僅憑一張普通的臉部照片，就能識別出癌症患者的死亡風險差異。
美國麻省總醫院布萊根醫療集團開發了一款名為FAHR-Face的AI模型，讓它從人臉照片中尋找與患者生存情況有關的線索。
研究人員找來3820名沒參與過模型訓練的癌症患者進行測試，其中，122人被AI評為極高風險，而在拍照後的90天裏，這122人中有64人去世。
研究人員隨後又使用近4900名荷蘭癌症患者的數據進行外部驗證，觀察到了相似的結果。
整個預測過程，AI不需要查看病曆、分析CT影像，也不需要參考血液檢查結果。它隻需要看一張臉。
01
AI僅憑一張臉，就能預測死亡風險
這項研究最重要的地方在於，AI真的能把死亡風險不同的癌症患者區分開來。
為了做到這一點，研究團隊首先用4000多萬張普通人臉照片，訓練了一個視覺基礎模型FAHR-Face。
訓練方法有點像拚圖：研究人員隨機遮住照片中約75%的區域，再讓AI根據剩下的部分，嚐試還原完整的照片。經過反複訓練，AI逐漸學會了識別人臉的結構，以及不同麵部特征之間的聯係。
有了這個基礎，研究人員開始教它預測死亡風險。他們找來34363張癌症患者的臉部照片，以及對應的生存記錄，包括患者是否已經去世、去世的時間，或者截至最後一次隨訪時已經存活了多久。
接下來，研究人員采用了一種排序學習方法，讓AI比較不同患者的生存時間。例如，兩名患者拍照後，一人在三個月內去世，另一人存活了更長時間。模型就需要嚐試給前者打出更高的死亡風險分數。
通過大量這樣的比較，AI逐漸學會了從人臉特征中判斷不同患者的相對死亡風險。
最終，研究人員將模型輸出的評分換算到0到1之間。分數越高，代表AI認為這名患者的死亡風險越高。
為了驗證模型的評分準不準，研究人員另外找來了3820名沒有參與訓練的癌症患者。
結果，除了開頭提到的122名極高風險患者，AI還將另外975名患者的風險評分打在了0到0.1之間。這975人中，隻有20人在拍照後的90天內去世，比例僅為2.1%。
相比之下，極高風險患者的90天死亡比例達到了52.5%，兩端相差超過25倍。模型給出的高低風險評分，確實對應著截然不同的死亡比例。
並且這種差異並不隻存在於風險最高和最低的兩個極端區間。研究人員把患者按照AI給出的風險評分，從低到高分成四組，發現隨著評分升高，患者的生存率也明顯下降。
即使把年齡、性別、癌症類型、治療情況等因素納入統計分析，最高風險組的死亡風險依然是最低組的3.23倍。
不過，到這裏還有一個問題：這套模型在美國醫院裏表現不錯，換一家醫院、換一批患者，還能得到類似的結果嗎？
研究人員又找來了荷蘭Maastro放療中心的4892名患者，使用同一套模型進行測試。
結果，他們再次觀察到了相似的規律：AI給出的評分越高，患者的死亡風險總體上也越高。而且，考慮了年齡、性別和癌症部位等因素後，這種差異依然存在。
從美國醫院的測試數據，到荷蘭另一家醫院的獨立患者隊列，這套模型都能識別出癌症患者之間明顯的死亡風險差異。
那麽，AI究竟從這些患者的臉上看到了什麽？
02
AI究竟從人臉上看到了什麽？
實際上，FAHR-Face並不隻有前麵提到的死亡風險預測功能。研究團隊還開發了另一套模型，名叫FAHR-FaceAge，專門用來估計一個人的麵部年齡。
這套模型的思路比較容易理解：同樣是60歲，有些人看起來隻有50歲出頭，有些人卻顯得更加蒼老。研究人員認為，一個人看起來比實際年齡老多少，可能也能反映他的健康狀況。
他們利用數十萬張標注了年齡的人臉照片訓練模型，再計算AI估計的麵部年齡與實際年齡之間的差距。結果發現，在癌症患者中，看起來比實際年齡更老的人，往往也麵臨著更高的死亡風險。
例如，在考慮了年齡、性別、癌症類型等因素後，AI估計的麵部年齡比實際年齡大至少5歲的患者，死亡風險比其他患者高出約21%。
但研究團隊並沒有止步於此。
他們想知道，除了一個人看起來有多蒼老，人臉上是否還藏著其他與死亡風險有關的信息。於是，他們分別分析了年齡模型和死亡風險模型，繪製出了兩套AI的注意力熱力圖。
結果發現，兩者關注的地方竟然明顯不同。
預測年齡時，AI主要關注法令紋、額頭和太陽穴附近；預測死亡風險時，它卻更關注眼睛下方和鼻梁周圍。
研究人員還用統計方法比較了兩套模型。在荷蘭的4892名患者中，麵部年齡與實際年齡的差距，和AI給出的死亡風險評分之間，相關係數隻有0.16，這意味著兩者的關聯很弱。
並且，當研究人員把兩個指標放在一起預測患者的生存風險時，它們都保留了獨立的預測作用，合並後的統計模型表現也有所改善。
也就是說，同一張人臉照片，AI可以從中提取出兩種不同、但又能互相補充的風險預測信息。
但問題來了：這些信息到底是什麽？
研究團隊在論文中提出，眼睛下方、鼻子附近的特征，可能與醫生長期以來觀察到的重病患者麵容變化有關。例如，當患者身體逐漸衰弱，麵部脂肪、肌肉和皮膚狀態都可能發生變化，這些變化也許會在照片上留下痕跡。
不過，研究人員還沒有證明，AI究竟識別出了哪些具體的生理變化。
英國薩裏大學機器學習教授Miroslaw Bober在英國科學媒體中心發布的專家點評中，也指出了這一問題。他認為，這項研究確實證明了患者的麵部特征與生存風險存在統計聯係，但能夠預測結果，不代表已經弄清楚了原因。
說起來，這倒讓人想起傳統中醫講究的“望聞問切”。其中的“望”，就是通過觀察一個人的麵色、神態和形體，尋找與健康狀況有關的線索。現代醫學中，醫生同樣會留意患者有沒有消瘦、憔悴等外貌變化。
有意思的是，這次研究的論文甚至專門引用了關於“希波克拉底麵容”的醫學文獻——“希波克拉底麵容”指的是一些病情危重、尤其是瀕臨死亡的患者可能出現的特殊麵容：眼窩深陷、太陽穴凹陷、鼻子變得尖削，臉色蒼白或灰暗。早在兩千多年前，希波克拉底就記錄了這些特征，並將其作為判斷患者病情是否危重的線索。
如今，AI正在嚐試把醫生過去憑經驗進行的觀察，變成可以量化的風險指標。
但它究竟是發現了人眼難以察覺的新線索，還是把醫生原本就能觀察到的身體變化轉化成了數字，目前還沒有答案。
03
一張臉裏，還藏著多少醫學信息？
有意思的是，研究人員用的部分照片，原本隻是醫院平時為了核對患者身份而拍的普通照片。
而這也不是他們第一次研究人臉照片了。
2025年5月，團隊就在《柳葉刀·數字健康》發表了最初的FaceAge研究。當時，他們還嚐試讓AI輔助醫生預測晚期癌症患者的生存期。
研究人員找來100名接受姑息治療的患者，請醫生和研究人員判斷他們半年後是否還活著。在加入FaceAge提供的信息後，預測效果有所改善：其中一項衡量預測能力的指標AUC，從0.74提高到了0.80。
到了這次FAHR-Face，研究人員已經開始嚐試直接從照片中預測死亡風險。
這條研究路線最吸引人的地方，就是它實在太方便了。
CT、核磁共振需要專門的儀器，病理檢查需要采集組織樣本，而人臉照片隻需要一台普通相機。對於醫生來說，這意味著未來可能多出一種成本低、操作簡單、不會增加患者身體負擔的輔助評估方式。
研究負責人、放射腫瘤學家Raymond Mak就提到，醫生在決定是否為患者安排手術、放療或其他高強度治療時，需要評估患者的身體狀況，以及他們能否承受治療。他希望未來AI能夠讓這類判斷更加客觀、統一。
不過，距離真正實現這個目標，還有不少問題需要解決。
首先，普通照片雖然容易獲取，卻也容易受到拍攝條件的影響。英國薩裏大學教授Miroslaw Bober指出，隻要讓一個人笑一下，或者改變拍照時的光線，AI估計的麵部年齡平均就可能變化兩歲左右，有時差異還會更大。
雖然這不意味著死亡風險模型也會受到同樣的影響，但如果想讓人臉照片成為可靠的醫學指標，就得先弄清楚這些拍攝條件究竟會造成多大幹擾。
另外，目前研究使用的癌症患者照片仍以白人為主。對於其他人群，模型能不能保持同樣的預測效果，還需要更多的數據驗證。
更重要的是，預測死亡風險和真正幫助醫生看病，仍然是兩回事。2025年的FaceAge已經顯示出輔助醫生判斷的潛力，但這次的新模型，還沒有充分證明它能在醫生現有的臨床評估基礎上，提供多少額外的幫助。
它能把患者按照死亡風險分成不同的組，卻還沒有證明這些預測能否幫助醫生選擇更合適的治療方案。因此，FAHR-Face目前還不能直接用於臨床。
順便一提，嚐試從普通人臉照片中尋找疾病線索的，並不隻有麻省總醫院布萊根醫療集團。
早在2020年，中國醫學科學院阜外醫院、清華大學等機構的研究人員，就在《歐洲心髒雜誌》發表了一項研究，嚐試讓AI通過臉部照片識別冠心病。
在1013名患者的測試中，模型取得了0.73的AUC，表現出一定的疾病識別能力。
今年2月，丹麥哥本哈根大學等機構的研究團隊將目光投向了急診室，他們收集了27660名急診患者的手機照片，讓AI預測這些患者的死亡風險。
結果發現，僅憑人臉照片，AI就能識別出一些傳統急診分診係統容易忽略的高風險患者。部分原本被認為病情較輕的人，被AI評出了較高的死亡風險，而他們後來也確實更容易去世。
不過這項研究目前還隻是預印本，尚未經過正式的同行評審。
從癌症到冠心病，再到急診患者，多項研究已經證明，一張普通的人臉照片裏，確實包含著與患者健康有關的信息，而且這些信息可能比我們過去想象的更加豐富。
至於這些信息能夠起到什麽作用，或許還需要研究人員繼續尋找答案。
