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。 01 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？ 02 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
