AI 能从人脸照片预测癌症患者生存期吗

36氪《哈佛重磅研究：AI凭人脸照片，就能预测癌症患者死亡风险》用“预测死亡风险”概括了这项研究，但更准确的技术判断是：面部年龄指标与癌症患者生存结局存在统计关联，不能据此换算出某个人的死亡日期。 换句话说，现有证据支持的是特定队列中的风险评估，而不是用一张照片进行可靠的“死亡倒计时”。

模型究竟在预测年龄，还是直接预测生存

详细报道中的 FaceAge 任务是估计“面部年龄”，再检验这一指标与生存期的关系。其公开流程包括：先用级联 CNN 检测人脸并预处理，再用 Inception-ResNet v1 提取图像特征，最后通过回归模型输出年龄。报道所称 95% 是人脸检测测试精度，不是生存预测准确率。

训练数据来自 IMDb-Wiki 和 UTKFace，共 58,851 张图片，所给报道称对象均为 60 岁及以上个体。 另一些报道则使用 FAHR-FaceAge 和 FAHR-FaceSurvival 的名称，称模型使用了超过 4,000 万张人脸照片，其中 FaceSurvival 直接输出生存风险。 在没有核对原论文、模型卡的情况下，不能把“FaceAge、58,851 张图片”和“FAHR-Face、超过 4,000 万张图片”直接拼接成同一个模型。

单张照片估龄与连续照片分析也不同。相关报道提到，可以追踪患者在不同治疗节点拍摄的照片，计算面部衰老速率，并用这一变化量分析生存结局。 但所给正文没有解释“面部衰老快 40%”的分母、模型和计算方法，因此这个比例不能作为可靠结论。

队列数字能证明到什么程度

详细报道给出了三组临床队列结果：在 4,906 名非转移性癌症患者组成的 MAASTRO 队列中，预测面部年龄每增加 10 岁，死亡危险度比为 1.151；在 573 名胸部癌症患者中，该比值为 1.148；在 717 名接受姑息治疗的癌症患者中，报告的死亡风险增加幅度为 11.7%。

HR=1.151 表示相对危险度提高约 15.1%，不是个人死亡概率增加 15.1 个百分点，也不能直接乘到普通人群的基础死亡率上。P 值同样只说明统计关联，不能代替校准度、亚组公平性和临床效用评估。

另一篇二手报道称，在 3,820 名癌症患者中，最高风险组有超过 52.5% 在拍照后 90 天内死亡，最低风险组为 2.1%。 由于这组结果使用 FAHR-Face 的表述，与前述 FaceAge 结果并非同一口径，不能据此直接比较模型优劣，所给材料也不足以完成逐项核对。

现有资料支持面部年龄与生存结局在多个队列中存在关联，但没有充分展示前瞻性临床结局改善，也不能证明面部特征导致死亡风险变化。因此，这类预测方法还不是经过全面验证的“死亡时钟”。

开发者该在哪些地方设边界

人脸照片既可用于身份识别，也包含健康信息。用于模型训练或产品服务时，至少应取得明确授权，并落实用途隔离、最小权限、加密存储、删除机制和访问审计，将照片标识与风险评分分开管理。

上线前还需要按年龄、肤色、癌种、光线、设备和图像质量进行独立验证，公开预测不确定性，并保留医生复核环节。误判可能影响治疗决策，相关报道还讨论了保险和就业滥用风险，因此模型输出不能成为治疗、保险或就业资格的唯一依据。

开发者应先索取原论文、模型卡、数据卡、伦理审批和患者授权方案，核对输入输出、队列终点、亚组表现及数据保留方式。在上述信息明确前，这类模型更适合被视为研究原型，而不是可以直接接入消费级产品的医疗工具。