导读

现有研究表明，人类衰老速度存在显著个体差异，遗传特征及不同生活方式（如饮食、压力、吸烟饮酒等）可通过影响DNA甲基化、端粒长度、基因与蛋白质表达等分子机制共同影响于衰老进程。因此，相较实际年龄，生物年龄（外貌等）能更准确反映个体生理健康状况与预期寿命，尤其在治疗可能加速衰老的医学领域，但临床中医生对患者生物年龄的评估较主观，目前尚无直接测量生物年龄的统一标准。

在过去几年中，使用深度学习算法从面部图像进行年龄估计在学术界受到了广泛关注，也有相关研究开发了能够根据面部照片准确预测个人年龄的模型。该方法可为患者提供比实际年龄更精确的生理状态度量，为精准医学提供可操作的生物标志物和预后因素。但这些应用主要集中在医学之外，未应用于临床环境中或深入研究其预后价值。

近日，美国麻省总医院医学人工智能（AIM）项目科研人员开发并验证一种深度学习系统FaceAge，可通过易于获取且成本低廉的人脸照片估算个体生物年龄，并评估其在癌症诊断患者生存结果预测中的临床价值。结果显示，FaceAge在不同癌症类型和分期中均展现出显著的独立预后能力。此外，FaceAge还提高了医生对接受姑息治疗、无法治愈癌症患者的生存预测准确性，且与细胞周期调控、衰老等分子机制密切相关，可作为生物衰老标志物。总之，FaceAge为精准医学提供客观量化工具，能够优化治疗决策与风险评估。

FaceAge深度学习系统采用双阶段处理流程：第一阶段通过级联卷积神经网络进行人脸检测与预处理，测试准确率达95%；第二阶段利用Inception-ResNet v1架构提取面部特征向量并进行年龄回归预测。接下来，研究团队使用58,851名≥60岁的假定健康人照片对FaceAge进行训练，其中56,304人来自 IMDb-Wiki 数据集（训练），2,547人来自 UTKFace 数据集（初步验证）。

为评估 FaceAge预测年龄在癌症诊断患者中的临床相关性，研究团队在荷兰和美国两个国家三个独立临床队列（MAASTRO、哈佛胸外科、哈佛姑息治疗队列）的6,196名癌症患者中进行测试，并与非癌症参考队列进行了比较。测试所使用的照片为患者在放射治疗开始时常规拍摄的照片。

图1.研究方法概述

MAASTRO队列包括4,906名患有各种非转移性癌症类型和多种预后的患者。Kaplan-Meier生存分析显示，FaceAge风险分层与死亡率显著相关：随着FaceAge风险组的增加，死亡风险也随之增加；在调整年龄、性别和肿瘤因素后，FaceAge仍然能够显著预测患者的生存情况。此外，在乳腺癌、泌尿生殖系统癌和胃肠道癌等特定癌症类型中，FaceAge也表现出优异的预测能力。上述结果表明，基于面部特征的年龄评估能有效预测癌症患者生存结局，具有独立于传统因素的预后价值。

进一步，研究团队在哈佛胸胸外科队列中评估了FaceAge的预后价值，共包含573例胸科恶性肿瘤患者。分析结果显示，在调整临床分期、ECOG体能评分、吸烟史等已知关键临床因素后，FaceAge与总生存率显著相关，而实际年龄与生存率无显著相关性。此外，将FaceAge纳入多变量模型可显著提升模型解释力，而加入实际年龄则无此效果，这表明FaceAge能够捕获传统临床参数之外的独立预后信息。

研究团队还在哈佛姑息治疗队列中验证FaceAge对生命末期、患有转移性癌症并接受姑息治疗的患者的独立预后价值，并调整体能状态、转移灶数量等姑息治疗关键因素。单变量和多变量分析显示，FaceAge是重要预测指标与患者的生存率显著相关，而实际年龄无此相关性。在TEACHH模型（一种经过临床验证的用于接受姑息治疗患者的风险评分模型）中，用FaceAge替换实际年龄后，该模型在风险分层和生存预测方面的性能显著提高。这些结果表明，FaceAge不仅独立于传统临床参数，还能增强现有预后模型的预测效能，其客观性可弥补医生主观判断的个体差异性，为姑息治疗决策提供更可靠的量化依据。

图2. FaceAge在多个癌症队列中的预后表现

为验证FaceAge能否潜力成为分子衰老的生物标志物，研究团队通过对哈佛胸外科队列中146名非小细胞肺癌患者进行全外显子组测序，基于基因分析评估了FaceAge与22个已知衰老相关基因的关联，并将其与实际年龄进行比较。经多重比较校正后发现，FaceAge与CDK6基因具有显著关联，CDK6在细胞周期调控过程中起关键作用，而实际年龄未显示任何基因关联。这表明FaceAge能捕获细胞周期调控相关的分子衰老机制，凸显了FaceAge作为分子衰老生物标志物的潜在价值。

图3. FaceAge预测性能比较

最后，为评估癌症类型和生活方式因素对FaceAge预测的影响，研究团队比较了不同癌症类型及生活方式因素（如吸烟史、BMI、ECOG等），FaceAge与实际年龄之间的差异。结果显示，良性疾病患者、健康人群的FaceAge与实际年龄更接近；癌症患者FaceAge显著高于实际年龄，平均大4.79岁。

在生活方式因素方面，吸烟者的FaceAge明显比曾经吸烟者和从不吸烟者大；BMI与FaceAge存在弱相关；不同ECOG组FaceAge与实际年龄的差异无统计学显著差异。这些发现为FaceAge作为癌症相关衰老的生物标志物提供了多维度验证，同时揭示了生活方式干预在延缓生物学衰老中的潜在作用。

图4. FaceAge在癌症患者中的应用

综上所述，FaceAge提供了一种全新的、基于外貌特征的评估方式，这对于癌症患者的临床护理具有重大意义。通过将FaceAge与其他临床信息相结合，医生能够更全面地了解患者的健康状况，从而为患者制定更精准、更有效的治疗方案，提高患者的生存几率和生活质量。随着技术的不断发展和完善，相信FaceAge将在未来的医疗实践中发挥更大的作用。

参考文献：

Dennis Bontempi, Osbert Zalay, Danielle S Bitterman, et al. FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study. Lancet Digit Health. 100870May 08, 2025

https://www.thelancet.com/journals/landig/article/PIIS2589-7500(25)00042-1/fulltext

Tags： Lancet Digital Health：颠覆传统评估模式！基于人脸照片的AI系统，助力癌症患者临床决策与生存预测