10月19日，美国麻省总医院布莱根癌症中心与哈佛医学院团队把FAHR-Face研究正式发表到了《柳叶刀·数字健康》：一套只看脸部照片的AI，能给癌症患者排出死亡风险的高低。在测试组里，被它打上最高死亡风险分的122名癌症患者中，有64人在照片拍完后90天内去世——AI手里的依据，只有每人一张脸部照片。这并非凭空冒出的新消息：2025年夏天，它就以预印本形式被医学媒体详细报道过，说法是"仅凭一张面部照片，就能估算生物年龄，甚至可以预测未来的死亡风险"。这回再上热搜，是因为论文走完同行评审正式发表、医院同步发布了消息。红星新闻微博梅斯医学
它是怎么练出"看脸"本事的
模型的地基是4000万张没有任何健康标注的人脸照片：先不告诉AI要看什么，让它以"遮住一部分脸再猜回去"的方式自学人脸结构，之后在这个基础上分岔成两条微调路径，一条估算生物年龄，一条直接学习预测癌症患者的生存风险。arXiv
生存这条微调路径的数据，是34363张癌症患者的面部照片。年龄这条路径的估算误差则给出一个直观的量级：公开测试集上平均绝对误差约5年，能把患者划分到不同等级的死亡风险里。PubMed红星新闻
AI盯着脸上的哪里？研究者自己还没看懂
用注意力图追踪模型的"视线"后，两条路径的分工相当清楚：估算年龄时，AI主要看鼻唇沟和额头；预测死亡风险时，它盯的却是鼻梁和眼睛下方——这些部位为什么和死亡风险有关，研究团队目前还说不清楚。微博
它读出的也不是玄学，更多是生活习惯在脸上的沉积：大量饮酒、使用毒品、吸烟这些行为，会让AI判你"更老"；皱眉还是微笑、化不化妆、光线好坏，基本骗不过它；整容后这一指标大体稳定，只有隆鼻术后会出现轻微变化。红星新闻
数字要分层看：群体的强信号，个体的弱结论
校正年龄、性别、癌症类型等临床预后因素后，风险最高的四分之一患者，后续死亡是最低组的3倍多。在一个超过3.8万名美国放疗患者的独立验证队列里，被判定"看起来老5岁及以上"的人，平均4年随访期内死亡风险高出21%；看起来年轻5岁及以上的，则低17%。预印本阶段，媒体报道口径还曾是"显老10岁、死亡风险飙升30%"。正式论文最终给出的是一组更收敛的数字，提醒人对照发表版，而不是热搜截图。PubMed红星新闻梅斯医学
5年的个体误差、3倍多的组间差距，说明它目前是群体层面的风险分层工具，不是给某一个人下的判决。更要紧的是适用范围：整套"看脸预测死亡"的能力，只在确诊癌症的患者队列里训练和验证——用健康人的脸来"诊断疾病"，这项研究不支持，它也确实不是相面。
离病床还差几步，麻烦可能先一步到场
这个模型的参照物其实是医生本人的眼睛：走进病房看一眼病人、对他的整体健康状况做个判断——医学院就是这样训练医生的，AI想做的，是把这"一眼"量化、统一起来，在缺数据的时候为治疗决策补一个参考维度；论文的说法是，当传统生物标志物不可得时，量化的面部分析可以补上风险分层。研究者的表述一直很克制：目标是支持个性化治疗决策，而不是取代医生的判断。PubMed红星新闻
落地前有两道坎。其一是人群：训练癌症生存模型的数据来自波士顿地区患者，其中大部分是白人，团队正在扩大训练集、纳入更多族裔的面孔；论文也承认，现有队列以西方国家癌症患者为主，跨地区、跨种族的适用性还没验证完。其二是节奏：医院已经就面部健康算法提交专利申请，但团队同时表态，后续仍有大量开发工作和临床测试要做。微博梅斯医学红星新闻
比技术缺陷更棘手的可能是滥用。纽约大学生物伦理学者马修·廖提醒：如果AI判断失误，把本该接受治疗的人标记为"健康"，后果不堪设想；这类技术同样可能被保险公司用来决定承保或拒保，被雇主用来筛"看起来更健康"的求职者。微博
接下来看什么
同一团队发表于Nature Communications的后续研究已经更进一步：用同一患者前后两张面部照片算出"面部衰老速度"（FAR），数值越高、生存越差，为单次估计补上了动态趋势。对普通读者，这条热搜值得带走两句话：AI确实在数据上验证了"脸上写着健康信息"，但那是在癌症患者队列里统计出的风险信号，不是健康人的体检报告；它离临床还有一整段路，而监管与防滥用的规则，需要比算法走得更快。Nature Communications
