摘要：“看面相”，究竟是充满神秘色彩的玄学，还是有科学依据的诊断手段？在大众认知里，算命之人常通过面相讲述前世今生；而在医学领域，中医早有 “望诊” 传统，几千年前便通过观察面部来辅助诊断病情。发展到现代医学，也有研究不断揭示面部变化与身体健康之间千丝万缕的联系。如

“看面相”，究竟是充满神秘色彩的玄学，还是有科学依据的诊断手段？在大众认知里，算命之人常通过面相讲述前世今生；而在医学领域，中医早有 “望诊” 传统，几千年前便通过观察面部来辅助诊断病情。发展到现代医学，也有研究不断揭示面部变化与身体健康之间千丝万缕的联系。如今，科学家们更是将前沿的 AI 技术引入，试图读取和整合那些细致入微、常人难以察觉的人脸信息，用于医学诊断。如此看来，“看面相” 的诊断意义，在中西医领域似乎都逐渐得到了认可。只是，若说能用 AI “看面相” 来预知癌症患者的治疗结果，这听起来多少有些令人匪夷所思。然而，美国哈佛医学院的 Hugo J.W.L. Aerts 团队，真的做到了这一点。

Hugo J.W.L. Aerts 团队开发了一个名为 FaceAge 的深度学习模型，它具备一项神奇的能力 —— 仅通过普通面部照片，就能估算个体的生物学年龄，并且这一成果在辅助癌症患者生存期预测方面展现出巨大潜力。经过严谨验证，该模型在多个临床队列中均表现出稳定且出色的预后能力：FaceAge 每增加 10 岁，患者死亡风险上升约 11%–15%，显著优于传统年龄指标，更为关键的是，这一结论适用于所有癌症类型。尤其在末期癌症患者的预后评估环节，FaceAge 能够助力医生更精准地预测患者的生存期，进而制定出更为科学合理的姑息治疗策略。相关研究论文已于近日发表在权威医学期刊《柳叶刀・数字医疗》上。

当前，医生在判断患者是否适合接受癌症治疗时，主要依赖主观印象或者功能评分等方式。但这些方法存在明显弊端，既缺乏精确性，又难以真实反映患者的生理状态。毕竟癌症及其治疗过程对患者身体的损耗巨大，往往可能加速衰老进程。有鉴于此，Hugo J.W.L. Aerts 团队将目光投向深度学习技术，期望通过分析面部图像估算生物年龄，为临床预后判断提供一种客观、量化且易于获取的评估手段，以此提升判断准确性，帮助医生做出更合理的治疗决策。

FaceAge 模型的开发依托深度学习，采用两阶段流程，分别是面部检测和特征提取。起初，团队使用级联卷积神经网络（CNN）对面部进行精准定位和预处理，经过测试，其精度高达 95%。随后，采用 Inception - ResNet v1 网络对面部特征进行编码，再借助回归模型完成生物年龄预测。为了让模型学习到丰富且准确的面部特征与年龄关系，训练数据选取自 IMDb - Wiki 和 UTKFace 两个公开数据集，从中精心挑选出 58851 张 60 岁及以上个体的面部照片。并且，为保障训练数据质量，还进行了数据增强、重平衡和质量评估等一系列处理工作。

模型开发完成后，研究者们迫不及待地对 FaceAge 的临床效用展开验证，他们将模型应用于来自荷兰和美国的多个临床队列。结果令人惊喜，FaceAge 在各个队列中均展现出显著的生存期预测能力。与之形成鲜明对比的是，在任意队列中，患者的实际年龄与生存期之间的关联并不显著。

在包含 4906 名非转移性癌症患者的 MAASTRO 队列中，患者的中位实际年龄为 66 岁。在此队列里，无论患者实际年龄几何，FaceAge 预测其面部年龄每增加 10 岁，患者死亡风险便增加 15.1%（HR = 1.151，p = 0.013）。而且，FaceAge 在乳腺癌、泌尿生殖系统癌症、胃肠癌等所有癌症部位的预后预测中，都有着优秀表现。即便在调整了年龄和性别等因素后，它依然具备显著的预测作用。哈佛胸部癌症队列（Harvard Thoracic cohort）纳入了 573 名胸部癌症患者，其中主要为非小细胞肺癌患者。在这个队列中，FaceAge 预测的面部年龄每增加 10 岁，患者死亡风险增加 14.8%（HR = 1.148，p = 0.011）。

特别值得关注的是，研究者们深入探究了 FaceAge 在癌症末期患者姑息治疗中的应用价值。哈佛姑息治疗队列（Harvard non - cancerous cohort）里有 717 名年龄在 19.6 岁 - 97.6 岁之间、接受姑息治疗的癌症末期患者，中位实际年龄为 65.2 岁。经 FaceAge 预测，面部年龄每增加 10 岁，患者死亡风险增加 11.7%（p = 0.021）。为了进一步提升对末期癌症患者生存期预测的准确性，研究者们尝试将 FaceAge 与 TEACHH 模型结合使用。TEACHH 模型是专门针对末期癌症患者设计的临床风险评分工具，它综合考量了病理类型、治疗意图、功能状态和转移部位等多个临床因素，能辅助医生评估患者接受姑息治疗时的预期生存期，从而优化治疗决策。在将 FaceAge 替代传统实际年龄纳入 TEACHH 模型后，模型的预测能力得到显著提升，在高风险组与低风险组之间，患者生存期的区分更加清晰、明显。

此外，研究者们还开展了一场别开生面的 AI 与人力的比较。在预测接受姑息治疗的癌症末期患者 6 个月生存期的实验中，表现最为出色的医生能够明显区分高低风险患者，而表现最差的医生则无法做到有效区分。当医生仅依据面部照片进行预测时，准确性较低，AUC 值仅为 0.61；若加入病历信息，AUC 值提升至 0.74；若再结合 FaceAge 模型，AUC 值进一步提升至 0.80，几乎与 FaceAge 模型单独预测时的 AUC 值（0.81）相当。

研究接近尾声时，研究者们对 FaceAge 作为生物衰老标志物的潜力进行了评估。在对 146 名非小细胞肺癌患者的基因分析中，发现 FaceAge 与衰老相关基因 CDK6 显著相关，然而实际年龄却与该基因并无此关联，这一结果暗示 FaceAge 或许能够反映更真实的分子衰老过程。另外，综合非癌症患者队列数据来看，研究者们发现癌症患者的 FaceAge 年龄平均比实际年龄高出 4.79 岁（p＜0.001），而非癌症人群中这一差异几乎可以忽略不计（平均仅高出 0.35 岁）；非侵袭性的乳腺导管原位癌和良性肿瘤患者的情况则介于两者之间。这一系列发现进一步印证了 FaceAge 可作为反映疾病负担的生物年龄指标。

综上所述，FaceAge 不仅能够精准预测癌症患者的生物年龄，还能为生存期预测提供极为重要的辅助支持，特别是在末期癌症患者的临床决策过程中，展现出了切实的应用价值。从疾病诊断到预后评估，AI 凭借 FaceAge 模型，将 “看面相” 这一传统医学手段与现代科技深度融合，发挥出了令人惊叹的作用。不过，研究团队也明确指出，FaceAge 目前可能存在一些局限性，比如数据偏差、模型误差等问题，后续还需要进一步开展大规模队列验证等研究工作，以持续优化和完善该模型。但无论如何，这项研究成果都为癌症诊疗领域带来了全新的思路与方法，有望在未来切实改善癌症患者的治疗效果与生存质量。

来源：人工智能学家