最近的一项研究发现这其中还藏着更深的秘密，这项研究登上《柳叶刀数字健康》：Mass General Brigham团队用AI训练出一个模型FaceAge，从人脸照片里预测癌症患者的真实「生物年龄」以提供建议辅助治疗。

　　身份证上那串数字只是参考，真正的年龄写在「 脸部胶原蛋白的出勤率」里。FaceAge通过看你的脸部照片来预测你真正的「生物年龄」。

　　FaceAge是在一个包含超过56,000张60岁及以上人群的图像数据库上训练的。这些图像主要来自和电影数据库IMDB。

　　人的生物学年龄估计与他们的身体健康状况密切相关，这可能反映了他们在某些治疗方案下的生存能力。

　　不过目前FaceAge存在一个很大局限，因为它的训练数据主要是白人面孔，而且也不清楚整容、化妆、光线和面部角度等因素在多大程度上会影响结果。

　　医生通过FaceAge一测，发现她的脸部状态居然「年轻10岁」，也就是69岁的人，看起来只有59岁！

　　这代表的不只是「冻龄」，AI认为她身体的「生物弹性」很强，因此能挺过手术+化疗+放疗的连环暴击，现在还能每周照常给顾客做头发，照常带孙子不误。

　　该研究旨在开发并验证一套名为FaceAge的深度学习系统，利用简单、低成本的人脸照片来估算生物年龄。

　　FaceAge 的训练数据来自58,851名年龄在60岁及以上、被认为是健康的个体：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）。

　　首先，卷积神经网络会在照片中定位人脸；接着，另一套卷积神经网络提取人脸特征，并基于这些特征预测该人的FaceAge（面部年龄）。

　　FaceAge算法是在一个包含56,304名被认为健康的个体的训练数据集上开发的，这些人主要包括政界人士、演员及其他知名人物。

　　为了提高与临床肿瘤人群年龄范围相符的数据质量，对该数据集中年龄在60岁及以上的个体进行了人工筛选。

　　随后，研究使用了三个独立的癌症患者队列，这些队列涵盖了广泛的患者类型，用于评估该算法在临床中的相关性。所有患者在接受放疗前都按照常规流程拍摄了面部照片。

　　为了评估FaceAge在预测方面的效果，采用Kaplan–Meier生存分析和Cox模型，并对多个临床变量进行了调整。

　　此外，为了探究FaceAge是否具有作为分子衰老生物标志物的潜力，还进行了基因分析，评估其与衰老相关基因之间的关联性。

　　图中(A) 表示仅使用人脸照片作为输入的FaceAge预测结果的Kaplan–Meier生存分析。

　　风险（HR，危险比）之间的关系，通过单变量分析（Univariate）和多变量分析（Multivariate）分别进行了评估。所有分组与参考组相比，差异均具有

　　重新评估 FaceAge 的影响，表明在控制其他因素后，高FaceAge仍然是死亡风险增加的独立预测因子，尤其是FaceAge超过75岁的群体。图中(C) 将FaceAge作为连续变量分析的森林图，涵盖所有患者以及四个最多见的肿瘤部位。

　　简单来说，不管癌症种类或分期怎样复杂，只要用FaceAge看一眼病人的脸，就能提前判断Ta的生存风险，比只看常规指标更靠谱。

　　外貌看起来更老与较差的总体生存率相关，在调整其他变量后，每增加十岁外貌年龄，全癌症队列中的风险比为1.151，p=0.013；胸部癌症队列为1.148，p=0.011；姑息治疗队列为1.117，p=0.021。

　　事件发生速率。HR = 1 表示风险相同；HR  1 表示实验组风险更高；HR  1 表示更低。

　　只有1.3 %的概率是巧合，所以几乎可确定「显老」是真的有影响。总体而言，癌症患者的外貌平均比其实际年龄老了4.79岁（与非癌对照组相比，p0.0001）。

　　此外，为了评估癌症类型和生活方式因素对FaceAge预测结果的影响，还比较了FaceAge与实际年龄在不同癌症类型、吸烟史、BMI以及ECOG身体功能评分下的差异（见上图）。

　　研究发现，癌症患者的FaceAge显著高于其实际年龄。这一趋势在各类癌症中表现一致，并与推测为健康人群的结果形成鲜明对比。

　　首先，在UTK验证数据集中（推测为健康个体），FaceAge与实际年龄之间的差距明显较小，相比癌症队列差异显著，说明一般人群的面貌更接近其实际年龄，这与预期一致。

　　结果显示，非癌症患者的FaceAge与实际年龄之间的差距明显小于癌症患者群体，其中良性疾病患者的FaceAge与实际年龄最为接近，原位导管癌患者的FaceAge居中。

　　为评估生活方式因素的影响，在MAASTRO队列中比较了当前吸烟者、既往吸烟者和从不吸烟者的FaceAge与实际年龄之间的差异。

　　结果显示，当前吸烟者看起来明显更老（平均增加33.24个月，果然吸烟有害身体狗头），这种趋势在不同癌症类型中一致。

　　在分析BMI对FaceAge与实际年龄差值的影响时，虽然统计上存在显著关联，但效应量很小，说明FaceAge与BMI之间的关系较弱（看来胖点不会影响）。

　　研究结果表明，FaceAge深度学习模型可以通过人脸照片估算生物年龄，并在癌症患者的生存预测中发挥重要作用。

　　如果进一步验证成功，FaceAge这类技术有望将患者的外貌转化为客观、量化且具有临床意义的评估指标。

　　并且有专家泼冷水，FaceAge离实际临床使用还有段距离，来自哥伦比亚大学的流行病学家Belsky表示：

　　FaceAge虽然酷炫，但和现有的生物年龄检测工具比，准不准、便不便宜、能不能大规模用，都还是个问号。

　　健康的伏笔。FaceAge的出现，为「以貌取人」带来了数据支撑，也为精细化医疗铺开了新的想象空间。

　　AI不再只是帮你修图、换脸、合成照，现在它还能告诉你——你是不是「超龄使用」了身体，并且在你遇到重大健康问题时，提供有效的医疗建议。