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.
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?▼
Czy model rzeczywiście mierzył wiek biologiczny?▼
Jak różniły się wyniki śmiertelności między grupami?▼
Czy analiza twarzy może już zastąpić ocenę lekarza?▼
Czy model był równie skuteczny we wszystkich grupach pacjentów?▼
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
| Analiza | Charakterystyka grupy | Liczba osób | Odsetek zgonów |
|---|---|---|---|
| FAHR-FaceSurvival | Wynik od 0,9 do 1,0 | 122 | 52,5 proc. (64 zgony) |
| FAHR-FaceSurvival | Wynik 0,1 lub niższy | 975 | Około 2 proc. (20 zgonów) |
| FAHR-FaceAge | Wygląd oceniony jako ponad 20 lat starszy | 1060 | 21,3 proc. w ciągu 90 dni |
| FAHR-FaceAge | Wygląd oceniony jako co najmniej 10 lat młodszy | 4195 | 6,4 proc. w ciągu 90 dni |
Analiza twarzy a standardowa ocena rokowania
FAHR-FaceAge
FAHR-FaceSurvival
Standardowa ocena lekarska
Co pokazuje badanie modeli AI analizujących twarz?
Dane na podstawie artykułu i wskazanych materiałów źródłowych; wyniki opisują związek statystyczny, a nie potwierdzoną skuteczność kliniczną.
Oferty pracy w tej specjalizacji
Zaufanie klinicystów i czynniki ludzkie w systemach wspomagania decyzji klinicznych wykorzystujących sztuczną inteligencję w opiece ostrej: badanie metod mieszanych
JMIR human factors


