
AI 從臉部照片估癌症風險:臨床輔助前仍要跨過私隱與驗證門檻
美國麻省總醫院布萊根醫療體系研究團隊訓練出臉部 AI 基礎模型 FAHR-Face,並據此發展評估外貌年齡的 FaceAge,以及直接估算癌症患者短期死亡風險的 FaceSurvival。TechNews 科技新報報道指出,相關研究刊於《刺胳針數位健康》,研究人員希望日後可為手術、放射治療或藥物治療前的身體狀況評估提供額外資訊。
不過,這些結果描述的是患者群組中的風險關聯,並非一張自拍照便可判定個人健康狀態,更不能把它解讀成個人死亡預測。要由研究走入診間,模型還要接受更大規模、不同醫療環境的驗證,並處理臉部生物特徵資料帶來的私隱與偏差問題。
兩個模型,觀察的訊號不同
TechNews 科技新報報道,FAHR-Face 的訓練資料超過 4,000 萬張臉部照片。FaceAge 會依皺紋、皮膚及五官周邊特徵推算外貌年齡;在研究測試中,其預測值與實際年齡平均相差約 5.1 歲,表現優於從零開始訓練的比較模型。
團隊再分析 38,183 名接受放射治療的癌症患者。外貌年齡比實際年齡大至少 5 歲者,在追蹤期間的死亡風險高 21%;外貌年齡小至少 5 歲者,風險則低 17%。即使納入年齡、性別、癌症種類與治療方式等因素,這項關聯仍然存在。
FaceSurvival 的路線不同:它不先估算年齡,而是由臉部特徵直接評估死亡風險。據 TechNews 科技新報報道,模型以 34,363 張患者照片及存活資料訓練,再於 3,820 名未參與訓練的患者測試;被分到高風險組的患者中,有 64 人在 90 天內死亡,低風險組則有 20 人。
兩者關注的位置也有差異。FaceAge 較著重額頭、太陽穴及法令紋;FaceSurvival 則較重視眼睛下方及鼻樑附近。這可合理理解為模型可能拾取了不同健康線索,但目前尚不能據此確定哪些臉部變化對應特定生理機制。
效能數字不等於可用於個人決策
研究中的 90 天結果差距相當大:外貌年齡大實際年齡 20 歲以上者,90 天死亡比例為 21.3%;外貌年齡小至少 10 歲者為 6.4%。這些數字顯示模型可能有助辨識需要更仔細評估的患者,卻不足以代替醫生判斷。
原因在於,模型看到的是統計上的相關性。吸煙、大量飲酒及使用毒品,均與 AI 評估的外貌老化有關,其中吸煙最明顯;這些生活習慣本身也可能與疾病、治療耐受度及其他未量度因素交織。研究設計能控制部分變項,不代表已排除所有混雜因素。
此外,報道所載的 FaceSurvival 測試是把未參與訓練的患者留作測試,卻未交代受試者的族群組成、拍攝及醫療場景是否足夠多元,也未說明是否已在獨立醫療機構完成外部驗證。因此,現階段較適合把結果視為有待複核的臨床輔助研究,而非可直接套用到不同地區患者的標準工具。
臉部資料的私隱與偏差,須與效能同步檢驗
若這類工具日後進入醫院,照片不只是普通影像,也可能成為連結身份、外貌與健康資訊的敏感生物特徵資料。醫療機構需要清楚界定蒐集目的、患者同意、保存期限、存取權限及二次使用範圍,避免原本為治療而拍攝的影像被擴大挪作其他風險評分用途。
偏差同樣是關鍵。不同年齡、性別、膚色、生活環境與拍攝條件,均可能影響模型對外貌的判讀;若訓練資料或驗證樣本未充分涵蓋這些差異,某些群體可能被高估或低估風險。對台灣與香港用家而言,最實際的判準不是模型能否從一張照片得出分數,而是未來若有臨床採用,醫院能否公開說明其驗證對象、適用範圍與錯誤風險。
下一步值得觀察的是,研究團隊能否以更大、更多元且獨立的患者資料重現結果,並證明模型加入既有臨床評估後,確實改善治療決策或患者結果。在此之前,臉部 AI 可作研究中的風險提示來源,不能取代醫師診斷、完整病史與檢查。
延伸閱讀
AI 輔助說明: 本文由 AI 協助整理。
參考來源
- TechNews 科技新報 — 4 千萬張照片訓練 AI 工具 ,研究:外貌顯老恐是健康警訊 — original report
本文根據原文及公開資料整理;資料有出入時,以原文及官方資料為準。







