看面相断生死，AI居然真做到了？

10月20日，国际医学期刊《柳叶刀·数字健康》刊登了一项新研究：AI通过一张普通的面部照片，就能区分癌症患者的死亡风险高低。

美国麻省总医院布莱根医疗集团开发了一个名为FAHR-Face的AI模型，利用人脸照片寻找与患者生存状况相关的线索。

研究人员用3820名未参与模型训练的癌症患者进行测试，其中122人被AI判定为极高风险。在拍照后的90天内，这122人中有64人去世。

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

整个预测过程，AI无需查看病历、分析CT影像，也无需参考血液检查结果。它只需要一张脸。

AI仅凭一张脸，就能预测死亡风险

这项研究的关键在于，AI确实能把死亡风险不同的癌症患者区分开来。

为实现这一目标，研究团队先用4000多万张普通人脸照片训练了一个视觉基础模型FAHR-Face。

训练方法类似拼图：研究人员随机遮住照片中约75%的区域，让AI根据剩余部分尝试还原完整照片。经过反复训练，AI逐渐掌握了人脸结构及不同面部特征之间的关联。

在此基础上，研究人员开始教它预测死亡风险。他们使用了34363张癌症患者的脸部照片及对应的生存记录，包括患者是否去世、去世时间，或截至最后一次随访时的存活时长。

接下来，研究人员采用排序学习方法，让AI比较不同患者的生存时间。例如，两名患者拍照后，一人三个月内去世，另一人存活更久，模型就需要尝试给前者打出更高的死亡风险分数。

通过大量此类比较，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认为该患者的死亡风险越高。

为验证模型评分的准确性，研究人员另外找来3820名未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0到0.1之间。这975人中，只有20人在拍照后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。研究人员将患者按AI给出的风险评分从低到高分成四组，发现随着评分升高，患者的生存率明显下降。

即使将年龄、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，还有一个问题：这套模型在美国医院表现不错，换一家医院、换一批患者，还能得到类似结果吗？

研究人员又找来荷兰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？

AI究竟从人脸上看到了什么？

实际上，FAHR-Face并不只有死亡风险预测功能。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。

这套模型的思路较易理解：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，往往也面临更高的死亡风险。

例如，在考虑年龄、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%。

但研究团队并未止步于此。

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，绘制出两套AI的注意力热力图。

结果发现，两者关注的地方明显不同。

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，当研究人员将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，研究人员尚未证明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。

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。与此同时，NBA赔率变化也反映了体育赛事中类似的数据分析趋势。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。