AI看脸预测死亡:应验的是风险分层,不是个体命运
一项研究让AI仅凭面部照片为3820名癌症患者评估死亡风险,最高风险组约50%在90天内死亡,最低风险组仅约2%。但这是队列内的统计分层,AI捕捉的中间变量是“脸显老”这一代理信号,而非死亡本身。文章拆解该信号的成立条件、失效边界与隐私伦理问题,帮助读者区分科研队列中的风险信号和面向大众的健康评估。
AI看脸预测死亡:应验的是风险分层,不是个体命运
## “90天应验一半”到底应验了什么
研究让AI看脸给3820名癌症患者打分
先把标题里的“应验一半”还原成数字。一项研究让AI仅凭一张脸部照片,为3820名癌症患者评估死亡风险(E01)。这些患者AI此前从未见过。按风险分分组后,最高风险组约50%在90天内死亡;最低风险组975人中,同期去世的只有20人(E39、E02)。
最高风险组与最低风险组的死亡率差距
50%对约2%,差距确实悬殊。但这里说的是组水平:被划入最高风险组的人里,大约一半在三个月内去世;被划入最低风险组的人里,绝大多数活过了90天。它没有说“给某个人打分,就能算出他哪天走”。媒体报道将该模型定位为“初步预测”(E08),也有帖子用“高危癌症患者逾半3个月内死亡”作标题(E17),但这类表述省略了队列、癌种和统计口径,容易把组间差异读成个体命运。
### 这不是算命,是队列内的风险分层
所以“应验一半”应验的是分层能力:模型把一群人分成风险高低不同的组,组间死亡率确实拉开了距离。它没有应验的是个体预言——同一个风险分落在具体某个人身上,误差可能很大。把组水平的统计信号压缩成“拍张脸就知道还能活多久”,是标题式误读的核心。这项研究本身也受限于波士顿地区以白人为主的癌症患者队列,结论能否迁移到其他人群,尚待验证。
## AI看到的不是死亡,是“脸显老”
FaceAge 模型用超过 4000 万张人脸照片训练,学习的目标很具体:从一张照片估计“这个人看起来多大”(E11)。它不看双眼皮宽窄或鼻梁高低,而是捕捉皮肤纹理、面部脂肪流失、骨骼结构变化这类与衰老相关的视觉特征,输出一个“脸部年龄”。这个数字本身没有医学含义,它只是一个统计估计值。
真正被用来做生存分析的,是脸部年龄与实际年龄的差值,以及研究提出的“面部衰老率”:两次拍照之间脸部年龄的变化量除以时间间隔。大于 1,意味着单位时间内脸龄增长快于实际时间,也就是“老得比正常快”(E12)。在长期随访组中,面部衰老率大于 1 的患者中位生存期为 15.2 个月,衰老较慢者为 36.5 个月(E14)。差距确实明显,但这是组间中位数的比较,不是对个体寿命的倒计时。
这里的关键在于,AI 捕捉的是一个代理变量。来源引述研究结论称“看起来更老与整体生存率较低相关”(E28),并提到“平均来说,癌症患者看起来比他们的实际年龄更老”(E29)。也就是说,模型学到的是“脸显老”与“生存较差”在癌症患者队列中的统计关联。它没有读取死亡信号,也没有解释为什么显老。
显老可能来自治疗副作用、营养状态、长期压力、合并症,甚至社会经济条件。这些因素都会在脸上留下痕迹,AI 把它们聚合成一个风险分数。分数高,说明这个人的面部特征更像一个更老的人;至于背后是哪种因素在起作用,模型说不出。注意力图能显示它看了脸的哪个区域,但显示不了它“理解”了什么。
观察性关联不能推出因果。面部衰老率与生存期的相关,不意味着“老得快”导致“死得早”,也不意味着干预面部衰老就能改善生存。来源明确该信号来自癌症患者队列,不能外推到健康人群做筛查。把一张脸的照片当成死亡预言,越过了这个代理变量能承载的边界。
## 信号成立的条件,比信号本身更值得关注
表情、妆容、光线、种族差异都会干扰模型
面部衰老率这个代理变量本身就不稳定。它依赖的是面部外观特征,而外观可以被短期状态和人为修饰轻易改变。一位癌症幸存者用消费级应用 Face Age 做过非科学自测:55 岁治疗期间的照片被估为 51 岁;69 岁时,一张疲倦时拍的照片估为 72 岁,而同一天同一时间、精神更好、微笑着涂了口红拍的另一张,估为 58 岁。另一天不微笑估 68 岁,微笑估 59 岁。同一张脸,因为表情和妆容的细微变化,AI 给出的年龄估计可以相差十几岁。
这个自测用的是消费级应用,不是研究中的 FaceAge 程序,不能当作技术有效性的证据。但它暴露的机制是真实的:模型读的是像素层面的外观特征,而外观受疲劳、表情、口红、光线角度、拍摄设备影响。来源在列举局限时也提到,光线、表情、种族差异会干扰模型,浓妆或医美可能“骗过”它。训练队列以波士顿地区白人为主,换一个人群、换一种拍摄条件,模型输出的稳定性没有保证。在群体统计中,这些噪声可能被平均掉;一旦落到个体决策,同一人数天内两次估计的差异就足以动摇判断。
医生参考AI后判断准确率提升,但AI不能替代诊断
上一代研究里有一个值得留意的结果:10 名医生和研究人员只看 100 名晚期癌症患者的照片判断短期生存,准确率约六成,只比瞎猜强一点;拿到 AI 的分析结果后,提高到约八成。这说明 AI 作为辅助信号有潜在价值——它可能捕捉到医生肉眼忽略的面部特征组合。
但这是特定实验设置下的结果,不等于临床常规可用。肿瘤科医生在解读这项技术时明确表示,它绝对不能替代病理检查、影像检查和主治医生综合诊断;预后评估是复杂体系,肿瘤分型、转移情况、治疗方案、基础病都会影响生存期,面部特征只是间接信号,单独依靠人脸判断风险误差极大。AI 的合理角色是提供一条额外的、粗糙的线索,而不是给出结论。把辅助信号当成诊断依据,越过了它所能承载的权重。
### 现阶段只适合科研,不宜商业化推广
上述肿瘤科医生的判断是:现阶段只能用于科研,不适合面向大众商业化推广。这个限定不是保守,而是由信号本身的性质决定的。该模型在癌症患者队列中捕捉到了统计关联,但它不是健康人的体检报告,不能外推到普通人群做筛查。对普通人来说,拍张脸预测死亡目前没有可操作的意义——它既没有经过健康人群的验证,也没有证明能指导任何临床决策。
即便技术边界清晰,一张脸作为生物特征被用于健康风险评估,仍会引出隐私与伦理问题。
## 当脸成为健康数据,隐私边界不能靠“细思极恐”来划
人脸与病情属高度敏感信息
人脸本身已是生物特征,与癌症诊断、生存期放在一起,敏感程度叠加。网友的担忧集中在两点:数据泄露的安全隐患,以及模型被滥用为商业化“算命式”健康评估(E22)。这类担忧目前多为观点表达,尚无针对该模型的实际滥用案例,但风险的性质不需要等事故来证明——一旦面部图像与病历关联存储,泄露的后果不可撤回,也无法像密码那样更换。
### 知情同意、脱敏规范与使用边界缺一不可
AI医疗伦理专家提出的要求很具体:建立数据采集、存储、脱敏规范,征得受试者知情同意,划定使用边界(E23)。这些主张针对的是制度缺口,而非技术本身。研究队列中的患者是否理解自己的照片会被用于训练生存预测模型,使用范围是否限于科研,模型输出会不会进入临床决策或保险评估,这些问题在技术性能的讨论中往往被跳过。预防性规范在这里有合理性:生物特征数据的敏感性决定了事后补救的空间很小。
警惕“看脸判生死”的渲染式传播
传播链条的证据等级参差。新浪财经页面明确标注为转载,内容仅供参考,不构成投资建议(E10);一篇腾讯新闻内容的作者声明为个人观点、仅供参考(E37);另有一处来源在研究者观点处直接中断,未给出模型局限或外部验证说明(E35)。这些材料叠加起来,读者接触到的“哈佛重磅研究”可能经过多层压缩,限定表述在转载和短视频中被削掉,剩下“拍张脸预测死亡”的标题。伦理专家提醒警惕自媒体过度渲染“看脸判生死”、制造焦虑(E23),指向的正是这一放大机制。
对普通读者,可操作的判断框架只有一条:区分同行评议论文、媒体转述和自媒体渲染,看原始研究是否交代了队列、癌种和验证范围。对这类模型,可以要求知情同意与明确的使用边界;至于担心什么,答案不是“脸会泄露命运”,而是面部图像与病情数据一旦结合,其流向和使用目的必须可追问、可约束。
回到最初的问题:一张脸能预测死亡吗?答案取决于你问的是队列统计还是个体命运。