Ученые создали модель, которая оценивает риск смерти по фото лица

Исследователи разработали новую модель ИИ, обученную на более чем 40 млн портретов. Она позволяет оценивать риск смерти у пациентов с онкологическими заболеваниями по одному снимку лица. Разработка может стать новым инструментом прогнозирования течения болезни, однако ученым еще предстоит выяснить, какие именно особенности внешности анализирует алгоритм и насколько полезны его прогнозы для врачей.

Как пишет The Washington Post, технология основана на предыдущих исследованиях ученых из медицинского центра Mass General Brigham в Бостоне. Ранее они создали систему FaceAge, которая по фотографии лица оценивает биологический возраст человека — показатель, отражающий состояние организма, а не количество прожитых лет. Новая система получила название FAHR-FaceSurvival.

Реймонд Мак, радиационный онколог Института рака Mass General Brigham и один из авторов исследования, отметил, что теперь ученым впервые удалось показать, что по одной фотографии можно непосредственно оценивать не только биологический возраст человека, но и риск его смерти.

В группе наиболее высокого риска за 90 дней умирал каждый второй пациент

Результаты исследования показали, что среди онкологических пациентов, получивших самые высокие оценки риска по модели FAHR-FaceSurvival, то есть вошедших в верхние 10% выборки, примерно половина умерла в течение 90 дней. В группе с самыми низкими оценками риска, составившей нижние 10%, за тот же период умерли около 2% пациентов.

Исследователи также использовали оценки биологического возраста для прогнозирования исходов онкологических заболеваний. Выяснилось, что пациенты, чей биологический возраст превышал фактический, как правило, имели менее благоприятный прогноз.

Мак подчеркнул, что предыдущая работа, опубликованная годом ранее, была прежде всего доказательством принципиальной возможности такого подхода: она показала, что алгоритм можно обучить определять биологический возраст по фотографии лица. По его словам, новая модель FAHR-FaceAge оказалась точнее первоначальной версии FaceAge как при оценке возраста, так и при прогнозировании исходов онкологических заболеваний. Другая система, FAHR-FaceSurvival, решает отдельную задачу — непосредственно оценивает риск смерти у пациентов с раком.

Как ИИ обучили прогнозировать выживаемость

Для создания новой модели FAHR-Face исследователи использовали уже существующие наборы данных, в которых содержались фотографии более 30 тыс. онкологических пациентов, а также сведения об их дальнейшем состоянии и медицинских исходах. Такой подход позволил связать изображения с конкретными результатами лечения. В распоряжении ученых были не только фотографии, но и информация о том, сколько прожил каждый пациент после постановки диагноза, умер ли он и когда именно наступила смерть либо продолжал ли жить.

После обучения модели исследователи создали так называемые карты внимания — визуализации, показывающие, на какие участки лица алгоритмы преимущественно опирались при формировании прогнозов. Это позволило определить, какие зоны лица вносят наибольший вклад в оценки риска смерти и биологического возраста.

Модель FAHR-FaceSurvival преимущественно обращала внимание на область под глазами, включая переносицу.

Алгоритм FAHR-FaceAge выделял другие зоны: носогубные складки, лоб и область височных мышц. Это согласуется с предположением, что при оценке биологического возраста важную роль могут играть изменения внешности, связанные со старением. Однако пока исследователи не понимают, какие именно признаки в этих областях лица распознает ИИ и каким образом он приходит к своим выводам.

Что именно ИИ видит на лице человека

Отвечая на вопрос о том, какие признаки может анализировать искусственный интеллект, Мак вспомнил описания Гиппократа, жившего примерно в V–IV веках до нашей эры. В трактате «Прогностика» тот описывал так называемое «лицо смерти», характерное для умирающего человека: заострившийся нос, запавшие глаза и впалые виски.

Мак отметил, что за годы работы он сам наблюдал у пациентов, приближавшихся к смерти, характерные изменения внешности. Среди них — западение в области висков, глубоко посаженные глаза и уменьшение объема мягких тканей вокруг носа. Как предположил он, алгоритм может распознавать потерю мягких тканей и мышечной массы. Впрочем, он подчеркнул, что пока это лишь гипотеза, а не установленный механизм работы модели.

При этом исследователь уточнил, что алгоритмы работают исключительно с визуальными данными. Они не ищут дополнительную информацию в интернете и не используют внешние источники для уточнения прогноза. При обучении модели сопоставляли фотографию лица только с известными сведениями о возрасте человека либо с данными о его смерти или продолжительности жизни.

Пока неясно, улучшит ли технология работу врачей

Медики и сейчас могут неосознанно учитывать особенности лица пациента при оценке его состояния — примерно так, как это делает сам Мак во время клинической практики, — даже если не анализируют внешность систематически. Поэтому прежде чем внедрять модель в клиническую практику, необходимо убедительно доказать, что она повышает точность прогнозов и позволяет получить информацию, которую невозможно извлечь другими доступными способами.

При этом пособность фотографии предсказывать выживаемость сама по себе еще не означает, что модель сообщает врачу нечто новое. И даже если она действительно выявляет дополнительную информацию, это не доказывает, что ее использование улучшает качество медицинской помощи.

Следующим этапом исследования должно стать прямое сравнение двух подходов: сначала необходимо построить максимально точный прогноз на основе всей информации, уже доступной врачу, а затем добавить к нему результаты анализа фотографии лица и измерить, насколько улучшилась точность предсказания.

Учитывает ли модель физическую слабость пациента

Мак рассказал об отдельном клиническом испытании с участием пожилых пациентов с раком легкого, получающих лучевую терапию. В нем исследователи сопоставляют оценки FaceAge с результатами обследований, позволяющих определить физическую силу пациентов и их функциональный резерв — способность организма справляться с нагрузками и восстанавливаться после них.

Такие сравнения важны, поскольку позволяют выяснить, отражает ли оценка по фотографии самостоятельные особенности биологического состояния организма или преимущественно улавливает признаки общей физической ослабленности.

Риск расовой дискриминации остается серьезной проблемой

Еще одно опасение Пирсон связано с возможной расовой предвзятостью алгоритмов. При обучении модели на фотографиях лиц расовая принадлежность пациентов неизбежно может влиять на ее прогнозы. При этом использование расовых признаков при принятии медицинских решений остается крайне спорным вопросом.

Если пациенты определенной расовой группы исторически получали менее качественное лечение рака, алгоритм, обученный на их фотографиях и данных о выживаемости, может усвоить последствия этого неравенства. В результате модель рискует закрепить существующую предвзятость в своих прогнозах и воспроизводить ее при оценке новых пациентов.

Исследователи также указали на ограничения своей работы. В частности, выборки включали только онкологических пациентов и были сформированы преимущественно в странах с высоким уровнем дохода. Поэтому результаты необходимо проверить на более широких и репрезентативных группах пациентов.

В мае 2026 года эта же команда ученых проанализировала данные 2276 пациентов и в полученных выводах связала скорость старения лица с выживаемостью онкопациентов, сравнив снимки за разное время.

Для каждого участника сравнили два снимка, сделанных с интервалом от 10 дней до четырех лет, чтобы определить скорость изменений внешности. Наиболее выраженная связь наблюдалась у пациентов, чьи фотографии разделяли два-четыре года. В этой группе ускоренное старение лица было связано с повышением риска смерти на 65%. Медианная продолжительность жизни таких пациентов составляла 15,2 месяца против 36,6 месяца у тех, чья внешность менялась медленнее.

на обложке кадр из фильма «Селфи», 2019 / France 2 Cinéma