看面相断生死，AI居然真做到了？

　　文 | 字母 AI

　　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。

　　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？

　　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。

　　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。