研究團隊以超過4,000萬張人臉影像及逾3萬名癌症患者照片，訓練人工智慧模型，嘗試從單張人臉判斷年齡，並為癌症患者估算短期死亡風險。相關研究刊載於《柳葉刀數位健康》，模型估計年齡的誤差約為5歲，並可將患者分入不同死亡風險族群。
研究人員指出，模型主要觀察鼻樑、眼眶下方等區域；最高風險組患者在90天內死亡的機率較高。模型在不同年齡、種族、性別及癌別間均展現一定預測能力，並可作為醫師臨床判斷之外的一項輔助資訊。
但研究團隊也承認，模型尚不足以直接投入臨床常規使用，仍須接受外部醫院驗證、與醫師判斷對照，並證明其預測結果確實能改善照護決策。
這項研究的本質是醫療人工智慧與臨床死亡的量化預測，而非單純辨識一張照片的人臉身分。醫師長期依據患者整體健康、營養、功能狀況及疾病嚴重程度判斷預後，但當資料有限、癌症病程快速變化或照護資源不足時，經驗判斷可能受到主觀差異與資訊落差影響。研究因此試圖把部分肉眼可觀察的生理訊號，轉換成可供醫師參考的風險分數。
人臉影像能反映年齡、體脂肪流失、肌肉消耗、衰弱與慢性壓力等可能訊號；模型聚焦鼻樑與眼下區域，也呼應古代醫學對眼窩凹陷、顴骨突出及鼻部削瘦等死亡徵象的觀察。預測有效不等於能解釋因果，這種相關性是人工智慧醫療工具最大的技術界線。
最合理的定位不是讓演算法取代醫師，而是把風險評估從單純印象轉為可追溯、可驗證的輔助資訊。
這項研究的真正意義，在於把一個延續數千年的臨床直覺，置於可重複、可量化且可接受外部審查的技術流程中。人類醫師很早就觀察到眼窩凹陷、顴骨突出等與衰弱及死亡相關的外觀訊號；人工智慧的介入，則試圖降低這些判斷的主觀性與醫院間差異。
01 起因觸發：研究團隊以大量人臉影像訓練模型，並首次將癌症患者短期死亡風險納入主要預測目標。
02 一階傳導：醫療影像、腫瘤科、臨終照護與健康資料管理領域開始重新評估人臉外觀訊號的臨床用途。
03 二階擴散：醫療演算法供應商可能把預後預測納入產品路線，但醫院也將要求跨族群驗證、隱私保護與人工覆核。
04 宏觀終局：若預測與治療資源配置連結，人工智慧可能改變末期照護與醫療正義的權力結構，監管規範因此變得格外重要。
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
