美國哈佛醫(yī)學院的Hugo J W L Aerts團隊開發(fā)了一個名為FaceAge的深度學習模型，可通過普通面部照片估算個體的生物學年齡，用于輔助癌癥患者的生存期預測。

　　2.FaceAge在多個臨床隊列中表現(xiàn)出穩(wěn)定的預后能力，每增加10歲，患者死亡風險上升約11%–15%。

　　3.除此之外，F(xiàn)aceAge在癌癥末期患者的預后評估中表現(xiàn)優(yōu)秀，可協(xié)助醫(yī)生更好地預測患者的生存期。

　　4.最后，研究者們發(fā)現(xiàn)癌癥患者的FaceAge年齡平均比實際年齡高出4.79歲，提示FaceAge可作為反映疾病負擔的生物年齡指標。

　　算命的，可以通過面相聊出你的前世今生。治病的，早至幾千年前中醫(yī)就有了“望診”，而后現(xiàn)代醫(yī)學的研究也發(fā)現(xiàn)面部變化的確與我們的身體健康息息相關，科學家們甚至想到啟用AI來讀取和整合細致入微、不可勝數(shù)的人臉信息，從而用于醫(yī)學診斷。

　　說來說去，“看面相”的診斷意義算是在中西醫(yī)領域都得到了認可。但是，你可曾聽聞，還能用AI“看面相”來預知患者的治療結果？

　　美國哈佛醫(yī)學院的Hugo J W L Aerts團隊開發(fā)了一個名為FaceAge的深度學習模型，可通過普通面部照片估PG電子網(wǎng)站算個體的生物學年齡，用于輔助癌癥患者的生存期預測。

　　經(jīng)驗證，該模型在多個臨床隊列中表現(xiàn)出穩(wěn)定的預后能力：FaceAge每增加10歲，患者死亡風險上升約11%–15%，顯著優(yōu)于傳統(tǒng)年齡指標，所有癌癥類型均適用。尤其在末期癌癥患者的預后評估中，F(xiàn)aceAge可以協(xié)助醫(yī)生更好地預測患者的生存期，從而更科學地制定姑息治療策略。

　　當前醫(yī)生在判斷患者是否適合接受癌癥治療時，主要依賴主觀印象或功能評分，這種方式既不精確，也難以反映患者真實的生理狀態(tài)?？紤]到癌癥及其治療本身可能加速衰老，Hugo J W L Aerts團隊希望借助深度學習技術，通過分析面部圖像來估算生物年齡，提供一種客觀、量化且易獲取的評估方法，以提升臨床預后判斷的準確性，輔助醫(yī)生做出更合理的治療決策。

　　FaceAge的開發(fā)基于深度學習的兩階段流程：面部檢測和特征提取。首先，使用級聯(lián)卷積神經(jīng)網(wǎng)絡（CNN）對面部進行定位和預處理，測試精度達到95%。接著，采用Inception-ResNet v1網(wǎng)絡對面部特征進行編碼，并通過回歸模型進行生物年齡預測。

　　訓練數(shù)據(jù)來自IMDb-Wiki和UTKFace兩個公開數(shù)據(jù)集，共選取了58851張60歲及以上個體的面部照片，經(jīng)過數(shù)據(jù)增強、重平衡和質(zhì)量評估等處理，確保了訓練數(shù)據(jù)的質(zhì)量。

　　為驗證FaceAge的臨床效用，研究者們將模型用于來自荷蘭和美國的多個臨床隊列，結果均表現(xiàn)出了顯著的生存期預測能力。相比之下，任意隊列中，實際年齡與生存期的關聯(lián)均不顯著。

　　具體來看，在包含4906名非轉(zhuǎn)移性癌癥患者的MAASTRO隊列中（中位實際年齡66歲），無論患者實際年齡如何，F(xiàn)aceAge預測其面部年齡每增加10歲，患者死亡風險增加15.1%（HR=1.151，p=0.013）。FaceAge在乳腺癌、泌尿生殖系統(tǒng)癌癥、胃腸癌等所有癌癥部位的預后預測中均表現(xiàn)優(yōu)秀，在調(diào)整了年齡和性別后依然具有顯著的預測作用。

　　哈佛胸部癌癥隊列（Harvard Thoracic cohort）包含573名胸部癌癥患者，主要為非小細胞肺癌患者。在該隊列中，F(xiàn)aceAge預測的面部年齡每增加10歲，患者死亡風險增加14.8%（HR=1.148，p=0.011）。

　　研究者們嘗試將FaceAge與TEACHH模型結合使用，該模型是一個專門用于末期癌癥患者的臨床風險評分工具，綜合考慮了病理類型、治療意圖、功能狀態(tài)和轉(zhuǎn)移部位等多個臨床因素，幫助醫(yī)生評估患者在接受姑息治療時的預期生存期，輔助治療決策。在原有TEACHH模型的基礎上，研究者們將FaceAge替代了傳統(tǒng)的實際年齡，結果顯示模型的預測能力得到提升，在高風險組與低風險組之間，生存期的區(qū)分更加明顯。

　　此外，研究者們還將AI與人力進行了一場比較。他們發(fā)現(xiàn)，在預測接受姑息治療的癌癥末期患者6個月生存期時，表現(xiàn)最好的醫(yī)生可明顯區(qū)分高低風險患者，而最差者則無法區(qū)分。單看面部照片時，醫(yī)生預測準確性較低，AUC值為0.61，加入病歷信息后提升至0.74，若再結合FaceAge模型則進一步提升至0.80，幾乎與FaceAge模型單獨預測（AUC=0.81）相當。

　　最后，研究者們評估了FaceAge作為生物衰老標志物的潛力。在146名非小細胞肺癌患者的基因分析中，F(xiàn)aceAge與衰老相關基因CDK6顯著相關，而實際年齡則無此關聯(lián)，提示FaceAge可能反映了更真實的分子衰老過程。

　　另外，結合PG電子網(wǎng)站非癌癥患者隊列，研究者們發(fā)現(xiàn)癌癥患者的FaceAge年齡平均比實際年齡高出4.79歲（p＜0.001），而非癌癥人群幾乎沒有差異（平均僅高出0.35歲）；非侵襲性的乳腺導管原位癌和良性腫瘤患者介于兩者之間，進一步印證了FaceAge可作為反映疾病負擔的生物年齡指標。

　　綜上所述，F(xiàn)aceAge不僅能夠準確預測癌癥患者的生物年齡，還能為生存期預測提供重要的輔助支持，特別是在末期癌癥患者的臨床決策中具有實際應用價值。