Mass General Brigham opracował AI przewidującą przeżycie chorych na raka ze zdjęcia twarzy

Najważniejsze

  • •Modele FAHR-FaceAge i FAHR-FaceSurvival analizowały fotografie twarzy pacjentów onkologicznych, szacując wiek wyglądowy oraz ryzyko zgonu.
  • •Wysoki wynik FaceSurvival wiązał się ze znacznie większą śmiertelnością niż niski wynik, ale badanie wykazało korelację, a nie skuteczność klinicznego zastosowania narzędzia.
  • •Określenie „wiek biologiczny” jest w tym kontekście uproszczeniem, ponieważ model oceniał wygląd twarzy, a nie wiek komórkowy ani rezerwę narządową.
  • •Żadnemu pacjentowi nie zmieniono leczenia na podstawie analizy twarzy, dlatego nie wykazano wpływu modelu na dobór terapii, jakość życia ani przeżycie.
  • •Przed zastosowaniem klinicznym potrzebne są prospektywne badania, porównanie ze standardową oceną lekarską oraz pełna ocena działania modelu w różnych grupach pacjentów.
·
5 min

Naukowcy związani z Mass General Brigham opisali modele sztucznej inteligencji, które analizują fotografie twarzy pacjentów onkologicznych. Badanie, które w materiałach przedstawiano jako publikację z 2026 roku w „The Lancet Digital Health”, wykazało związek między wynikiem analizy a wiekiem szacowanym na podstawie wyglądu oraz ryzykiem zgonu. Nie sprawdzono jednak, czy model poprawia leczenie lub przeżycie pacjentów.

Zespół opracował bazowy model FAHR-Face, wytrenowany na ponad 40 mln fotografii twarzy. Na jego podstawie powstały modele FAHR-FaceAge i FAHR-FaceSurvival. Pierwszy szacuje wiek na podstawie wyglądu twarzy, a drugi ocenia ryzyko zgonu. Określenie „wiek biologiczny” może być mylące, ponieważ model nie mierzy wieku komórkowego ani rezerwy narządowej.

W analizie modelu FaceSurvival zmarły 64 ze 122 osób z wynikiem od 0,9 do 1,0, czyli 52,5 proc. W grupie 975 osób z wynikiem 0,1 lub niższym odnotowano 20 zgonów, co stanowiło około 2 proc. W analizie FaceAge 90-dniowa śmiertelność wyniosła 21,3 proc. wśród 1060 osób, które model ocenił jako wyglądające na ponad 20 lat starsze. W grupie 4195 osób, których wygląd model ocenił jako co najmniej 10 lat młodszy, wyniosła 6,4 proc.

Materiały wskazują, że badacze analizowali także 38 183 pacjentów, w tym 3820 osób w zbiorze testowym oraz 4892 pacjentów w ramach zewnętrznej walidacji w Maastricht w Holandii. Nie jest jednak jasne, w jaki sposób łączyły się te kohorty. W źródłach pojawia się również liczba 34 363 fotografii pacjentów wykorzystanych do uczenia modelu przeżycia, podczas gdy powiązany preprint podaje liczbę 34 389. Nie potwierdzono dokładnej daty publikacji, DOI, pełnego tytułu ani pełnej listy autorów. Wśród wymienianych autorów znajdują się Raymond Mak, Hugo Aerts i Fridolin Haugg.

Badanie wykazało statystyczny związek między wynikiem modelu a śmiertelnością. Żaden pacjent nie miał jednak zmienionego leczenia na podstawie analizy twarzy. Naukowcy nie sprawdzili, czy narzędzie poprawia decyzje lekarzy, dobór terapii, jakość życia, liczbę powikłań ani przeżycie. Model słabiej różnicował ryzyko u pacjentów czarnoskórych i latynoskich niż u pacjentów rasy białej i pochodzenia azjatyckiego.

Lekarze oceniają rokowanie na podstawie wielu danych, między innymi stanu sprawności, zespołu kruchości, chorób współistniejących, wyników badań oraz rodzaju i stadium nowotworu. Nie wykazano, że analiza twarzy przewyższa te metody ani że dostarcza dodatkowych, użytecznych informacji.

Przed zastosowaniem klinicznym potrzebne są prospektywne badania, porównanie ze standardową oceną medyczną oraz pełna analiza działania modelu w różnych grupach pacjentów.

Najczęstsze pytania

Co przewidywały modele FAHR-FaceAge i FAHR-FaceSurvival?▼
FAHR-FaceAge szacował wiek na podstawie wyglądu twarzy, a FAHR-FaceSurvival oceniał ryzyko zgonu pacjenta onkologicznego.
Czy model rzeczywiście mierzył wiek biologiczny?▼
Nie w ścisłym znaczeniu medycznym. Analizował cechy widoczne na fotografii i nie mierzył wieku komórkowego, rezerwy narządowej ani innych bezpośrednich markerów starzenia.
Jak różniły się wyniki śmiertelności między grupami?▼
W grupie 122 osób z wynikiem FaceSurvival od 0,9 do 1,0 zmarły 64 osoby, czyli 52,5 proc., natomiast w grupie 975 osób z wynikiem 0,1 lub niższym odnotowano 20 zgonów, około 2 proc.
Czy analiza twarzy może już zastąpić ocenę lekarza?▼
Nie. Nie wykazano, że przewyższa ona standardową ocenę opartą na stanie sprawności, kruchości, chorobach współistniejących, wynikach badań oraz rodzaju i stadium nowotworu.
Czy model był równie skuteczny we wszystkich grupach pacjentów?▼
Nie. Słabiej różnicował ryzyko u pacjentów czarnoskórych i latynoskich niż u pacjentów rasy białej i pochodzenia azjatyckiego.

Słownik pojęć

FAHR-Face
Bazowy model sztucznej inteligencji wytrenowany na ponad 40 mln fotografii twarzy, na podstawie którego opracowano modele do szacowania wieku wyglądowego i ryzyka zgonu.
FAHR-FaceAge
Model analizujący fotografię twarzy w celu oszacowania wieku na podstawie wyglądu.
FAHR-FaceSurvival
Model oceniający ryzyko zgonu pacjenta onkologicznego na podstawie cech twarzy i, według opisu źródeł, dodatkowych informacji klinicznych.
Wiek wyglądowy
Wiek szacowany na podstawie cech widocznych na twarzy, który może różnić się od wieku metrykalnego.
Ryzyko względne
Porównanie prawdopodobieństwa wystąpienia zdarzenia, takiego jak zgon, między różnymi grupami pacjentów.
Walidacja zewnętrzna
Ocena działania modelu na danych pochodzących z innej kohorty lub ośrodka niż dane wykorzystane do jego opracowania.

Najważniejsze wyniki analiz modeli AI

AnalizaCharakterystyka grupyLiczba osóbOdsetek zgonów
FAHR-FaceSurvivalWynik od 0,9 do 1,012252,5 proc. (64 zgony)
FAHR-FaceSurvivalWynik 0,1 lub niższy975Około 2 proc. (20 zgonów)
FAHR-FaceAgeWygląd oceniony jako ponad 20 lat starszy106021,3 proc. w ciągu 90 dni
FAHR-FaceAgeWygląd oceniony jako co najmniej 10 lat młodszy41956,4 proc. w ciągu 90 dni

Analiza twarzy a standardowa ocena rokowania

FAHR-FaceAge
+Może w sposób zautomatyzowany oszacować wiek wyglądowy ze zdjęcia
+Wynik wiązał się w badaniu z 90-dniową śmiertelnością
−Nie mierzy wieku komórkowego ani rezerwy narządowej
−Nie wykazano wpływu na decyzje terapeutyczne ani przeżycie
−Skuteczność różniła się między grupami etnicznymi
zadanieSzacowanie wieku na podstawie wyglądu
najważniejsze dane21,3 proc. zgonów przy wyglądzie o ponad 20 lat starszym
FAHR-FaceSurvival
+Różnicował pacjentów według obserwowanego ryzyka zgonu
+Wysoki wynik wiązał się ze znacznie większą śmiertelnością niż niski wynik
−Wykazano związek statystyczny, nie skuteczność kliniczną
−Nie zmieniano leczenia na podstawie wyniku
−Słabiej różnicował ryzyko u części grup pacjentów
zadanieOcena ryzyka zgonu
najważniejsze dane52,5 proc. wobec około 2 proc. zgonów w porównywanych grupach
Standardowa ocena lekarska
+Uwzględnia stan sprawności, kruchość, choroby współistniejące, wyniki badań oraz rodzaj i stadium nowotworu
+Jest podstawą podejmowania decyzji klinicznych
−Może być czasochłonna i zależna od doświadczenia oceniającego
−Nie oceniono w tym badaniu, czy modele AI dostarczają względem niej dodatkowej użytecznej informacji
statusStandard praktyki klinicznej
zakresWieloczynnikowa ocena medyczna

Co pokazuje badanie modeli AI analizujących twarz?

Ponad 40 mln fotografii
Dane treningowe
Na takiej bazie wytrenowano model FAHR-Face.
52,5 proc. zgonów
Wysoki wynik FaceSurvival
64 z 122 osób z wynikiem od 0,9 do 1,0 zmarły w analizowanej grupie.
Około 2 proc. zgonów
Niski wynik FaceSurvival
W grupie z wynikiem 0,1 lub niższym odnotowano 20 zgonów wśród 975 osób.
21,3 proc.
FaceAge: starszy wygląd
90-dniowa śmiertelność wśród osób ocenionych jako wyglądające na ponad 20 lat starsze.
6,4 proc.
FaceAge: młodszy wygląd
90-dniowa śmiertelność wśród osób ocenionych jako co najmniej 10 lat młodsze.
Niepotwierdzona
Gotowość kliniczna
Nie sprawdzono, czy wykorzystanie modelu poprawia leczenie lub przeżycie.

Dane na podstawie artykułu i wskazanych materiałów źródłowych; wyniki opisują związek statystyczny, a nie potwierdzoną skuteczność kliniczną.

Zaufanie klinicystów i czynniki ludzkie w systemach wspomagania decyzji klinicznych wykorzystujących sztuczną inteligencję w opiece ostrej: badanie metod mieszanych

JMIR human factors

Pierwsi napisali na ten temat

Komentarze (0)

0/2000

Powiązane artykuły

Szybsze starzenie biologiczne młodych wiąże się z ryzykiem raka

Badacze z Washington University School of Medicine przeanalizowali dane ponad 164 tys. osób z UK Biobank i programu All of Us. U uczestników urodzonych w latach 1990–1999 wskaźnik starzenia systemowego był o 92 proc. wyższy niż u osób urodzonych w latach 1965–1969. Najbardziej zaawansowane starzenie biologiczne wiązało się z 15-proc. wzrostem ryzyka wczesnych nowotworów.

15 września 2026

Badanie: tylko trzy z 1357 medycznych urządzeń AI zbadano pod kątem wpływu na zdrowie pacjentów

Analiza zespołu z Uniwersytetu w Toronto wskazuje na brak publicznie dostępnych dowodów klinicznych potwierdzających skuteczność większości technologii AI zatwierdzonych przez FDA. Większość tych urządzeń trafia na rynek w USA uproszczoną ścieżką regulacyjną 510(k), wymagającą jedynie wykazania równoważności z istniejącym już produktem. Najwięcej zatwierdzonych systemów dotyczy radiologii, kardiologii i neurologii.

21 sierpnia 2026

Metaanaliza z Chin: AI zwiększa wykrywalność pięciu z siedmiu analizowanych nowotworów

Naukowcy z Chin przeanalizowali 49 randomizowanych badań z lat 2017–2024 i sprawdzili, czy sztuczna inteligencja poprawia wykrywanie zmian nowotworowych w obrazowaniu medycznym. Największe efekty odnotowano w raku płuca i przełyku, a korzyści widoczne były też w przypadku jelita grubego, prostaty i piersi.

26 czerwca 2026

Analiza wykazała brak gotowości AI do prognozowania chorób serca

Autorzy nowej analizy ocenili 30 projektów naukowych i wskazali na brak walidacji zewnętrznej oraz brak oceny wpływu algorytmów na decyzje lekarzy. Większość systemów powstała na bazie danych z USA, Wielkiej Brytanii i Korei Południowej. Naukowcy postulują pilne wdrożenie standardów TRIPOD+AI oraz przeprowadzenie niezależnych badań prospektywnych.

14 sierpnia 2026

AI w diagnostyce raka piersi: przyszłość, która potrzebuje zrozumienia

Wprowadzenie technologii AI do wczesnego wykrywania raka piersi może znacząco poprawić wyniki zdrowotne, ale wymaga zrozumienia jej skuteczności i potencjalnych ograniczeń w różnych populacjach. Badania pokazują, że AI może identyfikować kobiety z wyższym ryzykiem raka, ale różnorodność demograficzna oraz kwestie etyczne pozostają kluczowymi wyzwaniami.

16 marca 2026

Mass General Brigham: sztuczna inteligencja ocenia wiek twarzy i rokowanie raka

Naukowcy z Mass General Brigham opisali 19 października 2026 r. w „The Lancet Digital Health” dwa narzędzia sztucznej inteligencji analizujące zdjęcia twarzy pacjentów onkologicznych. FaceAge szacuje wiek twarzy, a FaceSurvival wiąże cechy obrazu z prawdopodobieństwem przeżycia. Retrospektywny charakter badania nie dowodzi jednak, że zastosowanie tych modeli poprawia leczenie.

21 października 2026

StartSzukaj