AI 资讯站 2026-10-21 10:00 · IT

当面容成为病历：一张照片预测余命，AI 把"临终直觉"变成了临床指标

2026年10月21日 · IT 观察

一句话结论

麻省总医院布莱根（Mass General Brigham）团队 10 月 19 日发表于《柳叶刀·数字健康》的研究，让 AI 仅凭一张脸部照片就能给出癌症患者的死亡风险评分。它的意义不在于"预测得准不准"，而在于——医学第一次把"医生看一眼病人就知道他快不行了"这件最古老、最依赖经验、也最说不清的事，变成了一个可以打分、可以复现、可以进病历的数字。这是医疗 AI 从"读影像"转向"读人"的分水岭，也是它第一次真正伸手去碰那张最敏感的病床。

研究做了什么

研究团队构建的 AI 系统代号 FAHR-Face，训练素材包括超过 4000 万张人脸图像，以及 3 万多名癌症患者的照片，其中许多人已经去世。它衍生出两个工具：

两者"看"的地方并不一样。FaceAge 主要捕捉鼻翼到嘴角的法令纹、额头和太阳穴；生存预测模型则盯着眼睛正下方和鼻梁周围。

数据层面的结论足够醒目：在美接受放疗的癌症患者中，被 AI 判定"面容年龄比实际年龄老 5 岁以上"的人，在约 4 年随访期内死亡风险比其他患者高 21%；看起来比实际年龄年轻 5 岁以上的人，死亡风险低 17%。模型在不同年龄、种族、性别和癌症类型中都保持了效果；而且它对拍照角度、光照、表情甚至化妆都相当"不敏感"，多数整容手术后结果依然稳定，只有鼻整形带来小幅变化。

最能说明问题的一个细节是：团队发现算法把注意力集中在鼻梁和眼睛下方之后，主创之一、放射肿瘤学家雷蒙德·马克（Raymond Mak）回去翻文献，发现希波克拉底早在两千多年前就描述过濒死者的典型面容——眼窝凹陷、太阳穴下陷、鼻子变尖。AI 用四千万张照片，重新"发现"了医学之父用肉眼总结出的那条经验。

但"预测"不等于"解释"

必须把冷水泼在前面。英国萨里大学视频处理与机器学习教授米罗斯瓦夫·博伯（Miroslaw Bober）的批评一针见血："预测结果与解释结果并不是一回事。" 这项研究并未证明，AI 给出的分数能提供超越医生对患者整体健康状况和体能评估之外的、具有临床实用价值的信息——而且医生自身的判断在这项研究里根本没有被作为对照组测量。

换句话说，我们看到了一个相关性极强的信号，但还没有看到它相对现有临床路径的"增量价值"证据。FACE 模型需要与医生判断做正面对照，并在不同医院、不同患者群体中重复验证。在此之前，它是一篇出色的研究论文，而不是一台可以搬进病房的仪器。

我的看法：它撬动的是"决策权"，不是"准确率"

第一，这是医疗 AI 里少见的"读人"而非"读片"。 过去十年医疗 AI 的主战场是影像——CT、病理切片、眼底照片，本质是替医生看"物"。而这次分析的是"人的状态"本身：一个人的生理储备、恢复能力、衰败速度。这一类信息过去只存在于医生的直觉里，如今被图像化了。它比读片更贴近临床决策的核心，也因此更危险。

第二，真正的问题不是"准不准"，而是"谁来用、用来干什么"。 一旦一个死亡风险评分进入病历，它迟早会被用于分诊、资源分配、甚至治疗强度取舍。马克本人已经预感到这一点，特意强调工具"不太可能被用于拒绝或限制患者获得药物"，并说医生在临终阶段往往倾向于过度治疗，他只是想让医生"多掌握一些信息"。这个表态是善意的，但在医疗成本压力、床位紧张、医保控费叠加的现实里，一个可量化的风险分数很容易被制度性地"用起来"，这并不取决于研究者的初衷。

第三，偏差会藏在最不起眼的地方。 训练数据里大量样本是已故患者，且集中于美国两个医疗中心的人群分布。面容与衰老、营养、职业、环境暴露强相关，也就与阶层和地域强相关。一个在特定人群上训练出的"看起来老几岁"的标尺，迁移到不同人群时是否公平，目前还没有答案。算法关注的区域有可解释性，但可解释性不等于公平性。

第四，从 FaceAge 到 Face Survival，只隔了一年。 2025 年同类研究还停留在"预测生理年龄"这一相对温和的层面，2026 年已经直接跳到"预测死亡风险"。这条演进曲线的斜率本身值得警惕——技术的能力边界在快速外扩，而验证标准、伦理框架和临床准入的节奏，远远跟不上。

结语

这项研究最迷人的地方，恰恰是它最令人不安的地方：AI 用一堆像素，复现了希波克拉底用眼睛看到的东西。医学几千年来的"看面相"，第一次被写进了一个可以打分、可以流传、可以被机器反复调用的模型里。

我们当然应该欢迎一个能让"临终预期寿命"这种连医生都不擅长判断的事变得更可靠的工具。但在把它交到临床手上之前，必须先回答一个比"准不准"更难的问题：当机器开始给一个人"看起来还能活多久"打分时，这张分数卡，究竟放在谁的口袋里？

参考资料：

← 返回首页