在临床实践中，医生通常根据病人面容、状态和主观印象来评估其健康状况或生存时间。这种“眼力”虽常用于判断，但非常主观、缺乏标准。

“生物年龄”——也就是一个人身体实际老化程度，可能比实际年龄（出生年份）更能反映健康状况、治疗耐受性及生存预期。然而，目前缺乏低成本、标准化的生物年龄评估工具。

这项研究开发了 FaceAge ——一个利用面部照片推测“生物年龄”的深度学习系统，并验证它能否比传统方法更好地预测癌症患者的生存期。

研究结果

  • AI可通过面部照片准确估算“生物年龄”，并独立预测癌症患者的生存期。
  • FaceAge比实际年龄更能反映患者健康状况，每“看起来老”10岁，死亡风险上升约15%。
  • 癌症患者平均比同龄人“看起来老”4.8岁，尤其是吸烟者面部生物年龄更高。
  • 在晚期癌症姑息治疗中，FaceAge提高医生对6个月生存的预测准确性，AUC从0.74提升至0.80。
  • FaceAge与细胞衰老相关基因（如CDK6）显著相关，显示其潜力作为“分子衰老”生物标志物。

🔧 研究方法详解

1. 模型构建

  • 使用公开数据集（IMDb–Wiki与UTKFace）共5.8万多张照片训练深度学习模型；
  • 模型结构基于Inception-ResNet v1网络，先进行人脸识别，再通过回归预测年龄。

2. 临床验证

模型在三个临床癌症患者数据集中进行验证：

  • MAASTRO（荷兰放疗中心）
  • Harvard Thoracic（肺癌患者）
  • Harvard Palliative（晚期癌症患者，接受姑息治疗）

面部照片来自就诊现场，由医疗人员半标准化拍摄。

3. 比较与分析

  • 将FaceAge与真实年龄进行对比，并纳入多因素生存分析（Cox模型）；
  • 比较预测结果与医生人工判断（含临床信息）；
  • 引入TEACHH模型等临床风险评分系统，测试FaceAge能否提升其预测效果；
  • 分析FaceAge是否与衰老相关基因（如CDK6）具有统计学相关性。

📊 核心发现

1. 患者“看起来更老” → 生存预期更差

在多个癌症队列中，每“看起来”老10岁，死亡风险显著上升（HR约1.15），且独立于实际年龄、性别、肿瘤类型。

结果：

  • FaceAge 与死亡风险高度相关，每“面部生物年龄”增加10年，死亡风险增加：

    • MAASTRO 队列：HR 1.151（p = 0.013）
    • Thoracic 队列：HR 1.148（p = 0.011）
    • Palliative 队列：HR 1.117（p = 0.021）
  • 在多个癌种（乳腺、消化道、泌尿道等）中，FaceAge 都具有独立预测力。

2. FaceAge优于医生主观判断和传统年龄

  • 在预测癌症患者6个月生存时，FaceAge模型优于医生目测；
  • 在整合临床模型（如TEACHH）时，用FaceAge代替年龄能提升模型性能（AUC提升至0.80）；
  • FaceAge效果在不同癌种、治疗意图（根治 vs 姑息）和病程阶段中均保持稳定。

🧮 Cox 多因素回归分析：

  • 在控制性别、癌种、治疗意图、分期、PS评分等变量后：

    • FaceAge仍显著预测生存期，而实际年龄不再显著（Thoracic 队列：FaceAge p=0.011，年龄 p=0.16）。
    • FaceAge加入模型后显著提升模型解释力（log-likelihood增加显著）。

🔁 替代 TEACHH 生存评分模型中的“年龄”变量后：

  • 使用 FaceAge 替代传统年龄后，风险评分系统 区分不同生存区间能力增强：

    • 高风险组生存中位数下降（更精确）：0.21年 vs 0.24年；
    • C-index（预测一致性）也提高。

3. FaceAge 可辅助医生进行更准确的临终预测

🧪 实验设计：

  • 对 100 名晚期癌症患者照片，进行生存预测任务（是否存活超过6个月）：

    • 参与者包括：肿瘤科医生、住院医师、非临床研究人员；
    • 提供：仅照片、照片+病历、照片+病历+FaceAge模型输出。

🧾 结果：

  • 医生仅看照片时 AUC 约为 0.61；
  • 加上病历后提高至 0.74；
  • 加上 FaceAge 预测结果后进一步提升至 0.80（p<0.0001）；
  • 医生预测准确性显著提升，尤其对基础判断力较弱者帮助更大。

4. FaceAge与衰老相关分子机制相关

  • FaceAge与细胞衰老调控基因 CDK6 显著相关；
  • 而实际年龄与这些基因无显著统计学相关性；
  • 说明 FaceAge 不仅捕捉视觉信息，更可能反映深层生物老化机制。

5. 癌症患者的“面部生物年龄”比普通人高约 4.8 岁

  • 与健康人群对比发现，癌症患者的 FaceAge 明显大于其实际年龄（平均多4.79岁，p<0.0001）；
  • 在癌种、吸烟状态、BMI、ECOG表现评分等亚组中均观察到一致趋势；
  • 当前吸烟者 FaceAge 比从不吸烟者高约 33个月，表明模型对生活方式变量敏感。

💡 为什么这项研究重要？

✅ 临床应用价值

  • 快速、低成本、非侵入性：仅需一张面部照片；
  • 适合用于临床中常见的“是否治疗”“如何治疗”等关键抉择场景；
  • 提供更精准、客观的生存评估，减少因主观判断导致的误差；
  • 有潜力用于临床试验人群分层，提升研究质量。

✅ 技术创新性

  • 首次将“面部生物年龄”作为医学预测因子进行系统研究；
  • 模型来自真实、异质、多中心临床队列验证；
  • 同时结合AI技术与分子生物学进行跨学科融合。

⚠️ 局限与挑战

  • 训练数据不完全健康或标准化，可能存在偏差（如公众人物照片过多）；
  • 未验证跨种族泛化能力，尽管模型已在多种族数据库初步测试；
  • 伦理与隐私风险：面部数据极具敏感性，未来应慎重管理与规范使用；
  • 尚未用于临床常规实践，需更大规模多中心验证与监管审批。

论文：https://www.thelancet.com/journals/landig/article/PIIS2589-7500(25)00042-1/fulltext