哈佛 AI 把一张自拍变成癌症生存评分，风险相差三倍

一个在没有任何临床标签的情况下训练的 AI 模型，独立学会了聚焦于医师希波克拉底在公元前 400 年认定为临终征兆的同一些解剖区域 —— 如今它用这些区域预测癌症患者死亡率，其区分度在不久前还需要复杂的多输入临床模型才能达到。10 月 19 日发表于《柳叶刀数字健康》，由达纳-法伯癌症研究所、布莱根妇女医院和哈佛陈曾熙公共卫生学院的研究者完成，FAHR-Face——Foundation Artificial Intelligence for Health Recognition using Face photographs（用人脸照片做健康识别的基础 AI）——描述了一个自监督视觉基础模型，它被微调成两个独立的临床工具，一个用于生物年龄估计，一个仅凭一张照片直接预测癌症生存。该论文也以 arXiv 预印本形式提供，尚未被第三方研究团队独立复现。

锚定这篇论文的数字触目惊心。在该模型风险最高十分位的癌症患者中，52.5% 在照片拍摄后 90 天内死亡。在风险最低十分位的患者中，90 天死亡率为 2.1%。这个 25 倍的区间，源自一张无法访问肿瘤分期、治疗史或血液检查的面部图像，在荷兰马斯特里赫特 Maastro 放疗中心 4892 名患者的独立外部队列上成立 —— 这家机构的患者人口构成、设备和临床流程都与哈佛的开发队列不同。

据麻省总医院布莱根称，「据我们所知，这是首个证明 AI 模型能仅凭一张简单照片直接预测癌症生存的报告，」共同资深作者、麻省总医院布莱根医学 AI 主任 Hugo Aerts 说。这句话带着一个重要的限定词——「据我们所知」——作者恰当地给它留了余地，但此前的文献支持这一说法在发表时是准确的。

一个建立在 4000 万张无标签人脸上的基础模型

FAHR-Face 始于任何临床数据进入之前。核心模型用一种称为掩码自编码的技术，在取自 WebFace42M 的 40615808 张面部图像上预训练，这是一个公开的人脸识别数据集，涵盖来自 200 多个国家的 200 多万个身份，受试者从新生儿到一位 116 岁的老人。

训练目标刻意是非临床的。模型接收一张 75% 的像素块被随机遮盖的面部图像，并学习重建被遮挡的区域。这一过程 —— 改编自最初为通用图像预训练而在 Meta AI 研究院开发的掩码自编码器（MAE）框架——迫使模型内化对面部结构、纹理和几何的深层表示，而不被告知任何关于年龄、疾病或健康状况的信息。

底层架构是一个视觉 Transformer（ViT-MAE-base），由 Meta 公开可得的 ViT-MAE 权重初始化，然后在面部专属数据集上微调。图像被缩放到 112×112 像素，分成 16×16 像素的块，由 transformer 作为有序序列处理。由此得到的紧凑潜表示，可以用相对较小的标注数据集重定向到截然不同的下游任务 —— 这正是大规模自监督预训练方法的根本赌注。

架构意义在于预训练规模与临床微调规模之间的比例。基础模型在任何标注医学数据出现之前吸收了 4000 万张图像。下游的生物年龄模型在约 749935 张带年龄标签的公开照片上微调。癌症生存模型仅在哈佛放疗记录中的 34389 张癌症患者照片上微调。这一假说 —— 海量无标签预训练创造出可泛化的面部表示，这些表示在适度的标注微调下仍具临床用途 —— 得到了论文所述结果的支持。

生物年龄偏差作为预后信号

第一个下游模型 FAHR-FaceAge 估计的是生物年龄 —— 面部外观所编码的生理状态 —— 而非实际年龄。一个看起来 58 岁的 70 岁者有一个负的「人脸年龄偏差」（FAD）；一个看起来 64 岁的 50 岁者有一个正的。FAD 才是关注的临床变量，而非绝对年龄估计。

用一种两阶段年龄平衡训练法 —— 旨在防止模型过拟合其训练集中最常见的年龄段 —— 在 749935 张带年龄标签的公开照片上微调后，FAHR-FaceAge 在APPA-Real 基准（一个表观年龄估计的标准公开评测）上实现了 5.1 年的平均绝对误差（MAE）。这超过了肿瘤学中此前已发表的面部 AI 基线：由 Bontempi 及同事描述的 FaceAge 模型，发表于 2025 年 6 月的《柳叶刀数字健康》，在同一基准上报告了 12.6 年的 MAE。

FAD 指标具有独立于生存模型的预后分量。在癌症患者队列中，FAD 每增加 10 年，与调整后死亡风险高 14% 相关（调整后风险比 1.14；P < .001）。看起来比实际年龄大五岁以上的患者，调整后死亡风险高 21%（aHR 1.21）；看起来小五岁以上的患者，调整后风险低 17%（aHR 0.83）。FAD 超过 20 年的患者 —— 那些看起来远比实际年龄大的 —— 面临 90 天内死亡 21.4% 的概率，以及仅 33.3% 的 10 年生存率，相比之下，看起来比实际年龄小 10 年以上的患者为 65.1%。

关键是，FaceAge 和 FaceSurvival 评分彼此相关性很低 —— 皮尔逊系数为 0.21，其学到的特征空间之间的余弦相似度接近零。两个模型从同一些面孔中捕捉的是不同的生理信号，而不是一个充当另一个的代理。

癌症生存数字：四分位之间三倍的死亡风险

FAHR-FaceSurvival，第二个也更新颖的模型，专门训练用来预测癌症患者的总体生存，对哈佛放疗患者数据集中 34389 张癌症患者照片应用了一个排序损失函数；该数据集涵盖 2008 至 2023 年在哈佛附属中心接受治疗、跨 13 种癌症类型的 38211 名患者。

该模型的主要区分度指标 —— Harrell C 指数，衡量生存模型按患者实际生存时间排序的可靠程度（0.5 = 随机，1.0 = 完美）—— 总体达到 0.72，对头颈癌（数据集中最多的诊断）达到 0.74。作为对比，使用多个特征的经典临床生存模型通常达到 0.65 到 0.80 的 C 指数；FAHR-FaceSurvival 仅凭一张照片就接近那个区间。

风险最高四分位的患者，相对风险最低四分位有 3.22 的调整后风险比 —— 在调整临床协变量后，仅凭照片就得出三倍以上的死亡风险。风险最低四分位的五年生存率为 78.1%；在风险最高四分位则降到 17.7%。十分位级的分析把图景进一步锐化：风险最高十分位的 122 名患者中，有 64 人在 90 天内死亡（52.5%）；最低十分位的 975 名患者中，同一窗口内只有 2.1% 死亡。

这一预测信号在 Maastro 外部验证队列上 —— 一家荷兰机构 4892 名患者人口构成和临床流程都不同 —— 的持续存在，是一项重要的方法学检验，使这项研究区别于许多报告强内部验证但弱外部验证的单机构 AI 医学论文。

AI 到底在看什么：一个 2400 年前的临床征兆被重新发现

这篇论文在科学上最有共鸣的发现，也许不是一个统计量，而是一张图像。使用梯度加权显著性映射 —— 一种追踪哪些像素区域最影响模型输出的技术 —— 团队识别出每个模型在生成预测时关注的具体面部区域。两个模型的结果近乎正交。

FAHR-FaceAge 主要聚焦于鼻唇沟（从鼻子延伸到嘴角的褶皱）、眼眶上方的前额和太阳穴。当受试者年龄超过 40 岁，模型逐渐把权重移向太阳穴和上前额 —— 与皮肤老化的已知生理一致，那里胶原蛋白流失和皮下脂肪减少最为明显。这一学到的注意力模式临床可解释，也不令人意外。

FAHR-FaceSurvival 关注的是完全不同的地带：眼睛正下方的区域和鼻梁。模型在没有任何关于面部解剖指导的情况下学到了这一聚焦 —— 它纯粹从生存结果的训练中浮现出来。

该论文的通讯作者、达纳-法伯癌症研究所的放射肿瘤学家 Raymond Mak 认识到，这一 AI 导出的注意力模式与希波克拉底约公元前 400 年记录的描述吻合。希波克拉底面容——记载于《预后》论著中的一个临床征兆——把凹陷的眼睛、尖削的鼻子、冰冷的耳朵和塌陷的太阳穴认定为急重症患者临终将至的早期征兆。AI 把它预测死亡率的注意力放在了眶下区和鼻梁：正是两千多年前希腊医师通过纯粹临床观察记录下来的同一解剖地带。

这种吻合并不神秘 —— 它有生理学依据。眶周脂肪减少和眶脂垫萎缩，与全身性分解代谢、肌肉消耗，以及先于癌症相关死亡的那种严重全身性疾病相关。AI 的注意力图似乎在以定量形式编码经验丰富的医师长期凭直觉察觉的同一些消耗性生理信号。一台在生存结果上训练、对古典医学一无所知的机器得出了同样的解剖学特征，为一个 2400 年前的临床观察提供了计算上的验证。

模型仍有哪些不足：公平性差距、鼻整形与回顾性局限

研究团队对 FAHR-FaceAge 做了明确的稳健性测试，采集了同一些人在不同条件下的照片：素颜与浓妆、中性与夸张表情、不同光照和拍摄角度，以及六类美容手术的术前术后照片。模型在化妆、表情和光照变化中证明是稳定的。六类手术中有五类 —— 提眉、双眼皮、拉皮和面部轮廓 —— 未产生生物年龄估计的统计显著变化。

唯一的例外是鼻整形。鼻部手术后，受试者被模型估计平均大 1.11 岁（P < .0001）。原因可解释：鼻梁是 FAHR-FaceSurvival 的主要注意力区域之一，而通过手术改变鼻部几何，会在模型视为临床有信息量的区域里改变输入信号。

比鼻整形伪影更重要的是模型在不同人口亚组上的表现。FAHR-FaceSurvival 与死亡率的关联在白人、黑人和亚裔患者亚组中具有统计显著性，但在开发数据集的西语裔患者中未能达到显著（P = .060）。西语裔患者在哈佛放疗队列中相对其在美国总人口中的占比被低估，论文把这认定为一个需要在更多样队列中做前瞻性研究的局限。在放射肿瘤学语境下 —— 那里治疗获取和结果上的种族差异已有充分记录 —— 一个在西语裔患者中预测不那么可靠的工具，提出了一个具体的公平性关切：如果不加批判地部署，它可能加剧对一个本已服务不足人群的系统性治疗不足。

论文还记录了剂量依赖的生活方式信号验证。烟草暴露呈现出递进的生物年龄效应：当前吸烟者看起来比戒烟者老，戒烟者看起来比从不吸烟者老。在当前吸烟者中，终生包年史越重，生物年龄偏差越大。这一梯度不论癌症类型都成立，包括与吸烟无既定关联的癌症，表明模型检测到的是烟草带来的全身性老化效应，而非某种癌症类型特异的伪影。

根本性的方法学局限是回顾性设计。所有报告的统计量都来自把存档照片与已知结果相联的分析 —— 而非前瞻性临床试验，在那里医师使用模型的评分、并对照这种使用追踪结果。

FAHR-Face 与上一代面部癌症 AI 的比较

FAHR-Face 建立在、但大幅推进了该领域此前已发表的基线之上。更早的、由 Bontempi 及同事提出的 FaceAge 模型（《柳叶刀数字健康》，2025 年 6 月）在约 58851 张健康个体的照片上训练，证明癌症患者平均看起来比同龄健康对照老约五岁 —— 一个重要的概念验证，但生存区分度有限。Bontempi 模型报告的总体生存预测 C 指数约为 0.52，勉强高于随机水平。

FAHR-Face 在三个维度上同时改进了那一基线。年龄估计准确率翻倍以上：MAE 从 12.6 年降到 5.1 年。生存区分度大幅改善：C 指数从约 0.52 升到 0.72。而且 FAHR-Face 团队把验证扩展到了一个独立的外部队列，这是先前工作没有做的一步。

架构差异很可能是这些增益的主要驱动。Bontempi 的 FaceAge 模型从约 59000 张标注图像的监督训练中学习。FAHR-Face 先用自监督掩码自编码从 4000 万张无标签图像中学习，再用小得多的标注数据集把那些丰富的通用面部表示适配到临床任务。规模优势 —— 在预训练数据上约 680 倍 —— 创造出一个似乎编码了更多面部照片中所含生理信息的特征空间。

临床整合、监管路径，以及大规模虚弱评估会是什么样

论文描述的预期临床应用是高强度癌症治疗前的虚弱分层 —— 帮助肿瘤科医生和放射肿瘤医生在推荐手术、强化化疗或足量放疗之前评估患者的生理储备。在老年肿瘤学中，综合老年评估等结构化虚弱评估工具已是标准诊疗推荐，但它们耗时到在繁忙的临床流程中经常被跳过。一个能从任何诊疗节点拍摄的照片 —— 包括病历中已有的那张 —— 生成虚弱代理评分的工具，原则上可以大幅降低基线虚弱筛查的成本和时间。

Mak 已表示，该工具无意取代医师判断，也不意味着成为「对患者的死刑判决」。该工具被设计为临床决策中的一个附加数据点，而非独立的治疗指令。在真实临床系统中的部署是否会尊重这一边界，是一个最终将由机构和监管者、而非研究者决定的问题。

麻省总医院布莱根已就下一代面部健康算法提交了一项临时专利，并在 faceage.bwh.harvard.edu 启动了一项公开研究，个人可以上传照片以获得生物年龄报告并为持续研究贡献数据。该门户标示出一条超越锚定当前模型的放疗患者队列、扩展训练数据集的路径。

纽约大学生物伦理中心的生物伦理学家 Matthew Liao 公开提出了研究团队承认为正当的担忧：误分类导致真正患病者治疗延误的风险；保险公司可能用面部生物年龄评分来拒保或定价；雇主可能按推断出的健康状况筛选；以及一个被训练来检测死亡风险的系统，是否可能被部署到远离其预期临床目的的场景。这些担忧未被论文的技术结果处理，后者确立了预测有效性，但对治理只字未提。

从监管角度看，FAHR-Face 尚未报告获得美国临床使用的 FDA 510(k) 许可或 De Novo 授权。根据欧盟《AI 法案》，一个用于支持医疗预后决策的面部 AI 系统很可能被归为高风险 AI 系统，需要合规评估，并负有透明度、偏差监测和上市后监督的义务。团队认定为部署前必要下一步的前瞻性临床试验，也会产生监管者在批准基于 AI 的临床决策支持工具之前通常要求的那类真实世界证据。

下一个值得关注的里程碑不是又一个基准分数，而是一个前瞻性试验结果 —— 测试把 FAHR-FaceSurvival 评分提供给主治医师是否真的改变治疗决策，以及那些被改变的决策是否带来更好的患者结果。预测结果的模型与改善结果的模型之间的这一区别，正是把一项研究发现与一个临床工具分开的东西。