国际权威医学刊物《柳叶刀·数字健康》于本月20日公布的最新研究表明，仅需要一张不经任何处理的人脸图像，人工智能就足以识别癌症患者之间存在的死亡风险差异。
由美国麻省总医院布莱根医疗集团研制的FAHR-Face人工智能模型，能够在人脸照片中挖掘与患者存活率相关联的蛛丝马迹。
为了检验该模型的准确性，研究团队选取了3820位未曾参加过任何训练过程的癌症患者作为测试样本，结果发现在被模型判定为极端高危的122名患者中，有64人在照片拍摄后的三个月内离世。
为进一步验证研究成果的可靠性，团队采用了近4900名荷兰患者群体的数据进行独立检验，获得的结论与之前的发现保持高度一致。
值得关注的是，这一预测流程无须医学档案、无须医学影像分析、无须血液化验数据的支撑，仅通过一张面部照片便可完成。
01
人工智能如何将患者按危险程度进行科学分层
该项工作的价值核心在于，人工智能确实具备了将癌症患者按照死亡危险程度进行区别划分的能力。
为实现这一目标，研究小组利用超过4000万张日常人脸影像数据对视觉基础模型FAHR-Face进行了初期培养。
其训练策略类似于图片复原任务：研究者随机遮挡每张照片的大约四分之三，使模型根据保留的部分推断整体构成，反复循环的训练过程使AI逐步掌握了面部形态学特征与各组织间的相关性。
在此基础之上，研究者开始训练模型识别与死亡风险相关的特征。他们收集了34363张罹患癌症患者的面部图像资料，并配套获取了相应的生存数据记录——患者的生死状态、离世日期或存活时长等信息。
随后采用了排序学习的技术路线，用来引导模型对不同患者的生存期限做出相对比较。举例而言：当一名患者于三个月内逝世，而另一名患者存活周期更长时，系统应给予前者更高的风险指数。
经由成千上万次这类对标学习，人工智能系统逐步获得了依据面部特征评估患者间相对风险高低的能力。
最后，研究者将算法生成的评分映射至零至一的数值范围，其中数字越接近一，表示人工智能判断该患者面临的死亡威胁就越大。
为检验模型评分的准确程度，研究团队特别招募了另一组3820名不曾参加模型训练的患者群体。
结果显示，除上述被列为极危的122人外，模型还将其余975名患者的风险系数定位在零到0.1区间，其中仅20人在照片获取后三个月内身故，占比为2.1%。
与之形成对照，高危组患者的三月死亡率为52.5%，两个极端间的差异超过25倍之多，充分表明模型的评分体系与现实死亡结局存在实质性的对应关系。
值得注意的是，这种分化现象不限于最高和最低两个极端。当研究者按照模型风险评分的递增顺序将患者分组（共四组）时，生存率随着分组等级的升高呈现明显的衰减趋势。
经过控制年龄、性别、病症种类、治疗方式等变量后进行统计学检验，最危险组的死亡危险仍是最安全组的3.23倍。
然而一个关键问题随之浮现：该系统在美国医疗机构的良好表现能否在其他医疗环境和患者群体中得以复现？
为回答这一疑问，研究小组引入了荷兰Maastro放疗专科医院4892名患者的相关资料，采用同一套模型执行验证。
验证结果再度呈现出一致性规律：模型分数愈高，患者群体的死亡危险就愈高。即便把年龄、性别及病灶部位等影响因素考虑在内，这一趋势依旧明显。
从美国医疗系统的测试成果到荷兰独立医疗机构的患者数据验证，该模型都展现出了对癌症患者死亡风险分层的一致性识别能力。
那么问题来了：人工智能在患者的面孔上具体识别了哪些信息？
02
面部信息背后的医学逻辑
值得一提的是，FAHR-Face的功能并非仅限于死亡风险的预测。研究团队还构建了一个名为FAHR-FaceAge的补充模型系统，其特化功能是推断个体的视觉年龄。
其逻辑相对直观：虽然都是60岁，但视觉呈现差异巨大——有的人仅显50多岁的样貌，有的人则显得苍颜白发。研究者推测，面容老化程度的超龄表现或能映射个体的健康水平。
研究者以数百万级别的年龄标注人脸数据进行模型学习，并量化了模型推断年龄与真实年龄的偏差值。发现在患癌人群中，外观年龄高于实际年龄的个体通常对应更高的死亡概率。
具体来说，在排除年龄、性别、肿瘤种类等混淆因素的影响后，面容年龄至少超龄5岁的患者群体，其死亡风险相比其他患者增加约21%。
然而研究工作远未止步。
研究者进一步思考：除却衰老程度的表征，人脸影像中是否还隐含着其他与死亡危险相关的线索？为此，他们对年龄识别模型和危险预测模型分别进行了可视化分析，映绘了两个系统的注意力分布热力图。
比对结果发现，两套模型的关注焦点存在显著差异。
在年龄推断任务中，系统重点扫描鼻翼纹、前额以及颞部区域，但在风险评估时则转向眼周与鼻梁部位的深度分析。
进一步的统计学对比表明，在荷兰患者队列（n=4892）中，年龄偏差与风险评分间的皮尔逊相关系数仅为0.16，提示两者的相关程度极弱。
值得关注的是，将两项指标联合纳入生存风险预测模型时，各指标均保持了独立的预测效力，集成模型的性能由此得到增强。
换言之，一张人脸影像为人工智能提供了两类相异且互补的风险信息源。
那这些信息的本质究竟如何呢？
研究者在文献中推测，眼下及鼻周的形态特征可能与临床医学中已知的危重患者面容学改变存在相关性。当个体健康状况恶化，面部皮下脂肪、肌肉组织及皮肤质地将产生改变，这些微观变化或许会被影像记录。
不过，目前的研究还未明确揭示人工智能具体探测到了哪种生理变化的迹象。
来自英国萨里大学的机器学习专家Miroslaw Bober在科学传播平台发表的评述中也提及了这一局限。他的观点是，虽然研究证实了面部特征与生存概率之间的统计学相关性存在，但仅有预测能力不等于已阐明了机制。
有趣的是，这不禁让人想起中医学传统中的诊法体系。其中「望诊」的核心就是通过观察面部气色、神情神态与躯体样貌，探寻健康状况的蛛丝马迹。现代西医临床中，医生们同样会密切注视患者是否展现消瘦、面容憔悴等体征改变。
论文中引用了医学史上著名的「希波克拉底面容」文献——这个概念特指危重患者、特别是临终患者可能呈现的面部学体征：眶部凹陷、颞部塌陷、鼻尖锐化、肤色灰白晦暗等症状组合。早在公元前的古希腊时代，医学先驱希波克拉底就已详细记述过这组特征，并以此作为评估患者病情严重程度的关键指征。
当代人工智能正在尝试将医者基于临床经验的观察经验转化为可量化的风险度量工具。
而它到底是发掘了传统观察所遗漏的细微线索，还是仅将医学工作者已有的观察体验进行了数字化转录，这个问题目前仍待答。
03
从理论突破到临床应用的距离
有趣的是，该研究中使用的部分人脸图像，最初仅为医疗机构日常身份核验所摄的例行照片。
而且这并非该团队首度涉足人脸影像分析工作。
早在2025年五月，该团队便在同一刊物中公布了早期版本的FaceAge研究，当时的应用场景是让人工智能辅助临床医生对晚期肿瘤患者的存活时间进行判断。
研究者征募100名接受临终关怀治疗的患者，邀请临床医生及科研人员预判六个月后的生存状态。纳入FaceAge模型的推论信息后，预测效能得到升级：AUC指标从0.74攀升至0.80。
到此次FAHR-Face研究，团队已推进至从人脸照片直接映射死亡风险的新阶段。
该研究思路最具吸引力的特点在于其便利性——简便之极。
计算机断层扫描、磁共振影像依赖专业仪器装备，病理活检需要组织采样操作，而人脸拍摄只需普通摄影设备即可。从医学实践角度看，这为临床工作者打开了一扇成本经济、操作简便、无创伤风险的辅助诊断的大门。
课题主持者、放疗肿瘤学专家Raymond Mak指出，临床医生在抉择手术、放疗或其他强化治疗方案时，必须评判患者的体能储备及耐受潜能。其期许是借助人工智能使此类判断决策更趋客观与规范化。
然而，从理想愿景到真正落地临床，仍有诸多问题需要破解。
首要挑战是，虽然获取人脸照片成本低廉，但其易受拍摄参数的干扰。萨里大学学者Miroslaw Bober指出，单单改变受试者表情（如诱导微笑）或调整光照条件，人工智能推断的面部年龄就可能波动两岁左右，偏差有时会更加明显。
虽然这不必然意味着危险预测模型也会遭受等量冲击，但若要将人脸影像确立为医学量化指标，首先必须量化拍摄工艺因素的实际干扰程度。
其次，现有研究样本中癌症患者图像仍以欧洲人群居多。模型对非欧洲人群的泛化预测能力如何，还需大规模族群数据的进一步验证。
更为关键的是，风险预测能力与临床诊疗实用价值是两个不同的维度。尽管2025版FaceAge已初步显示了临床决策支持潜能，但当前的新模型仍未充分论证其在既有医学评估框架之上能增添多少实际临床增益。
虽可将患者按危险等级分层，但尚未证实这类分层预测能否指导医者选取更优的治疗策略，所以FAHR-Face当下还无法直接进入临床应用。
值得一提的是，从常规人脸影像中挖掘疾病信息的努力，绝非仅有布莱根医疗团队在做。
早于2020年，来自中国医学科学院附属心血管病医院和清华大学的研究者就在《欧洲心脏学杂志》刊登论文，探索人工智能通过脸部特征识别冠状动脉粥样硬化性心脏病的可能性。
针对1013名患者的验证中，模型获得0.73的曲线下面积（AUC），体现了在疾病甄别方面的初步能力。
本年二月，丹麦哥本哈根大学联合团队将研究视野延伸至急诊临床场景，收集27660名急诊患者的手机自拍照，用以训练死亡风险预测模型。
结果表明，人工智能可仅基于人脸图像识别传统急诊评分系统漏掉的高危患者。某些临床初判病情较轻的个体被模型评估为高危，而这批患者的实际不良预后率确实偏高。
然而该研究现处预发表状态，尚待同行专家的正式评议与核准。
从肿瘤学、心内科到急救医学，众多独立研究已证实，一张日常人脸影像中真实蕴含着关涉患者健康状态的信息，其信息量密度可能超越既往认知。
而这些隐含信息将如何被有效利用，则有待研究界的进一步探索。
