人类的衰老速度因人而异，外貌通常比实际年龄更能可靠地反映生物学年龄和生理健康状况。《柳叶刀-数字医疗》（The Lancet Digital Health）发表的一项研究表明，一种名为FaceAge的深度学习系统可以通过人脸照片来推算生物学年龄。研究发现，FaceAge在各种癌症类型和分期中都展现出显著的独立预后性能，与生物学年龄相比，外貌年龄更老与较差的总生存期相关。同时，FaceAge可以改善医生对接受姑息治疗的无法治愈癌症患者的生存预测。识别图中二维码或点击文末阅读原文，查阅原文。
通过面部照片估算生物学年龄以改善预后评估的深度学习系统FaceAge：一项模型开发与验证研究
背景
人类的衰老速度因人而异，因此外貌通常比实际年龄更能可靠地反映生物学年龄和生理健康状况。然而，在医学中，外貌是以主观和非标准化的方式纳入医学判断的。在本研究中，我们旨在开发并验证一个可通过简便获取且成本低廉的面部照片推算生物学年龄的深度学习系统FaceAge。
方法
使用58,851名60岁及以上、被认为是健康个体的数据对FaceAge进行训练：其中56,304人来自IMDb-Wiki数据集（用于训练），2,547人来自UTKFace数据集（用于初步验证）。临床实用性评估基于来自荷兰和美国两家机构的6,196名癌症患者数据：MAASTRO、哈佛胸外科（Harvard Thoracic）和哈佛姑息治疗（Harvard Palliative）队列，并将这些癌症队列中的FaceAge估计值与由535人组成的非癌症参考队列进行了比较。为了评估FaceAge的预后相关性，我们进行了Kaplan-Meier生存分析和Cox建模，并对几个临床协变量进行了调整。我们还通过将FaceAge纳入临床预测模型，评估了FaceAge在临终前接受姑息治疗的转移性癌症患者中的表现。此外，为了评估FaceAge是否具有成为分子衰老的生物标志物的潜力，我们进行了一项基于基因的分析，以评估其与衰老基因的关联。
结果
FaceAge在各种癌症类型和分期中都展现出显著的独立预后性能。与生物学年龄相比，外貌年龄更老与较差的总生存期相关（在调整协变量后，外貌年龄相较于生物学年龄每老十年的危险比[hazard ratio, HR]：泛癌症[pan-cancer]队列中为1.151，p=0.013，n=4,906；胸部癌症队列中为1.148，p=0.011，n=573；姑息治疗队列中为1.117，p=0.021，n=717）。我们发现，平均而言，癌症患者看起来比他们的实际年龄要老（与非癌症参照队列相比，平均老4.79岁，p<0.0001）。我们发现，FaceAge可以改善医生对接受姑息治疗的无法治愈癌症患者的生存预测（曲线下面积由0.74[95% CI：0.70-0.78]增加至0.8[0.76-0.83]；p<0.0001），凸显了该算法在临床上用于支持临终决策的价值。通过基因分析发现，FaceAge与衰老的分子机制显著相关，而实际年龄则不具有此种关联。
解释
我们的研究结果表明，深度学习模型可以根据面部照片估算生物学年龄，从而提高癌症患者的生存预测能力。还需要进一步的研究，包括在更大的队列中进行验证，以便在癌症患者中验证这些发现，并确定这些发现是否适用于其他疾病患者。在进一步测试和验证的基础上，FaceAge等方法可用于将患者的视觉外观转化为客观、定量且有临床价值的测量指标。END
Funding: US National Institutes of Health and EU European Research Council.
中文翻译仅供参考，所有内容以英文原文为准。
https://doi.org/10.1016/j.landig.2025.03.002
推荐阅读
点击阅读原文，查阅论文原文
