AI睇相斷生死？FaceSurvival僅憑1張臉部照片預測癌症存活率

美國研究團隊研發名為「FaceSurvival」的AI工具，只需透過分析癌症患者面部自拍照，便能精準找出死亡風險較高的人士。測試顯示，高風險組別於90天內的死亡率逾一半，較低風險組別高出逾3倍。這項創新技術有助將傳統臨床直覺量化，為醫生制定個人化療程提供可靠參考。

美國研究團隊研發出名為「FaceSurvival」的AI工具，只需透過分析患者的面部自拍照，便能精準找出死亡風險較高的人士。資料圖

研究團隊運用了超過4,000萬張公開的面部照片，以及逾3.4萬名癌症患者的肖像圖像，對AI模型進行深度訓練，隨後再以3,820名患者進行實測驗證。測試結果顯示，在122名被AI系統歸類為最高風險等級的患者當中，共有64人在短短3個月內離世；相比之下，最低風險組別的975名患者中，同一時期內僅得20人逝世。即使研究人員把患者的年齡、性別以及所患癌症類型等傳統變數考慮在內，高風險組別的死亡機率依然比低風險組別高出3倍以上。

美國研究團隊研發出名為「FaceSurvival」的AI工具，只需透過分析患者的面部自拍照，便能精準找出死亡風險較高的人士。資料圖

科學家深入研究發現，AI模型在判斷患者的存活概率時，會重點分析眼眶下方以及鼻樑周邊位置的極微妙變化。此外，這套評估機制的精準度，適用於各類不同病種與病程階段的癌症患者。

AI模型在判斷患者的存活概率時，會重點分析眼眶下方以及鼻樑周邊位置的極微妙變化。《The Lancet Digital Health》圖

AI模型在判斷患者的存活概率時，會重點分析眼眶下方以及鼻樑周邊位置的極微妙變化。《The Lancet Digital Health》圖

研究共同作者Grace Lee指出，臨床醫生長久以來皆會藉由目測患者的外表容貌，來初步判斷其身體狀況；而這套全新研發的科技工具，正是將這種過往僅憑經驗的「直覺判斷」予以「標準化與量化」，極有助於提升病情預後估算以及臨床醫療決策的準確度。

AI模型在判斷患者的存活概率時，會重點分析眼眶下方以及鼻樑周邊位置的極微妙變化。《The Lancet Digital Health》圖

與此同時，研究團隊亦同步開發出另一款名為「FaceAge」的輔助系統，專門用作評估個人的生理年齡。數據顯示，若一個人的外貌看起來比實際年齡年老5歲或以上，其死亡風險會相應增加21%；相反，若外貌看起來比實際年齡年輕至少5歲，其死亡風險則可降低17%。研究亦證實，不良生活習慣如吸煙、酗酒及吸毒，均會顯著加速容貌衰老，當中尤以吸煙的影響最為顯著。

研究亦證實，不良生活習慣如吸煙、酗酒及吸毒，均會顯著加速容貌衰老，當中尤以吸煙的影響最為顯著。《The Lancet Digital Health》圖

領導是項研究的哈佛醫學院放射腫瘤學教授麥教授（Raymond Mak）表示，面對全球人口日益老齡化，醫療體系極需更有效率的途徑來評估患者的整體健康狀況及身體虛弱程度，從而精準判斷其是否適合承受手術、放射治療或其他侵入性較強的進取型癌症療程。

研究亦證實，不良生活習慣如吸煙、酗酒及吸毒，均會顯著加速容貌衰老，當中尤以吸煙的影響最為顯著。《The Lancet Digital Health》圖

麥教授強調：「我們的核心宗旨，是希望將透過面部照片進行的健康評估，轉化得更具體量化、更具一致性且易於大規模普及應用，從而協助醫護團隊為患者打造個人化醫療方案，而非企圖取代執業醫生的專業判斷。」相關重大研究成果已正式發表於國際權威醫學期刊《The Lancet Digital Health》。

治療智能公司Genialis將於2026年歐洲腫瘤學會（ESMO）大會上，展示其生物優先模型即使在有限病人數據下，仍能預測治療反應的數據。這些模型在三種不同癌症類型及治療方案中，於少於70名病人的群組內，展現卓越的預測表現，解決了開發精準腫瘤學預測生物標誌物的基本挑戰之一。

臨床試驗數據量小。早期研究通常招募相對較少的病人，對傳統建模方法提取有意義的預測訊號構成挑戰。然而，藥物開發商必須就管線推進及病人篩選標準作出關鍵決定，這往往在獨立驗證數據可用之前。

ESMO 2026海報 AP圖片

腫瘤RNA測序（RNA-seq）分析約測量20,000個基因；若有50名病人，傳統深度學習模型或會識別出統計噪音，而非有意義的生物訊號。自成立以來，克服這種「維度詛咒」一直是Genialis預測建模方法的核心。

Genialis Supermodel是一個大型癌症生物學分子模型，經數十萬個轉錄組樣本訓練。該Supermodel將RNA測序（RNA-seq）中數萬個獨立基因表達測量值，轉化為具生物學意義的「生物模塊」，每個模塊代表癌症生物學的一個基本方面，包括致癌訊號傳導、免疫激活及DNA損傷反應。透過在模型訓練前，將分子數據的複雜性簡化為可解釋的生物學特徵，Genialis能從相對較少的病人群體中開發預測生物標誌物，同時深入了解驅動治療敏感性及耐藥性的生物學機制。

ESMO海報（摘要編號8664）評估了這種方法在三種不同癌症類型數據集中的應用，這些數據集規模與早期臨床研究典型規模相符：包括41名接受抗PD-1治療的黑色素瘤病人治療前RNA-seq數據、45名接受派姆單抗治療的胃癌病人，以及66名接受索托拉西布治療的KRAS G12C突變非小細胞肺癌（NSCLC）病人。在嚴格的保留測試下，生物模塊模型在每個群組中均優於匹配的基因表達模型。在非小細胞肺癌中，生物模塊預測索托拉西布反應的AUROC值為0.8，而最佳基因表達模型僅為0.6；預測有反應的病人中位治療持續時間為337日，而無反應者為178日。每次預測均附帶生物學依據，預測的非小細胞肺癌有反應者顯示出MAPK成癮生物學特徵，而無反應者則表現出PI3K旁路程序。

從小型群組到單一病人應用：Sid Sijbrandij個案研究。

GitLab聯合創辦人Sid Sijbrandij於2022年11月確診骨肉瘤，這是一種美國每年約有1,000人確診的罕見骨癌。當他癌症復發且標準治療方案用盡時，Sijbrandij組建團隊，尋求一種非凡的方法來了解及治療他的疾病。該團隊將他們所謂的「最大化診斷」與個性化實驗性療法結合，並在osteosarc.com上收集及公開分享了超30TB的Sid臨床及分子數據。

Genialis回顧性分析了由三間臨床實驗室在超25個月內，從不同樣本中生成的四個腫瘤RNA-seq文庫。即使原始基因表達數據不可比較，Supermodel仍能對四個樣本進行一致的生物學比較。透過將每個樣本的生物學與治療假設聯繫起來，該分析展示了研究人員如何在獲得額外樣本時重新審視這些假設。Genialis預計，隨著精準腫瘤學向更小、更精確定義的病人群體發展，並最終實現為個別病人量身定制的治療策略，這種方法將變得越來越有價值。

Genialis行政總裁兼聯合創辦人Rafael Rosengarten博士表示：「對於面對罕見癌症的病人及處理有限病人數據的研究人員而言，比較隨時間收集的樣本中腫瘤生物學的能力，為疾病研究及開發治療假設開闢了新機會。ESMO的研究結果與Sid的個案研究共同證明，生物優先人工智能有潛力從有限的病人數據中提取有意義的見解，無論是針對臨床群組還是單一病人的癌症歷程。」

Genialis透過其癌症生物學Supermodel提供治療智能。公司開發及驗證具臨床可行性的人工智能模型，這些模型以全球種族最多樣化的癌症數據集為基礎，旨在預測病人反應，並指導靶向抑制劑、免疫療法及其他新興治療類別的治療決策。Genialis獲製藥及診斷合作夥伴信賴，共同透過數據轉變醫學。公司總部設於侯斯頓、波士頓及盧布爾雅那。

（美聯社）