基于面部照片的健康识别基础人工智能模型 (FAHR-Face)
图像与视频处理
2025-06-19 v1 人工智能
计算机视觉与模式识别
摘要
背景:面部外观为健康提供了一扇非侵入性的窗口。我们构建了 FAHR-Face,这是一个在超过 4000 万张面部图像上训练的基础模型,并针对两个不同的任务进行了微调:生物学年龄估计 (FAHR-FaceAge) 和生存风险预测 (FAHR-FaceSurvival)。方法:FAHR-FaceAge 在 749,935 张公开图像上进行了两阶段、年龄平衡的微调;FAHR-FaceSurvival 在 34,389 张癌症患者照片上进行了微调。对模型鲁棒性(整容手术、化妆、姿势、光照)和独立性(显著性映射)进行了广泛测试。两个模型均在两个独立的癌症患者数据集中进行了临床测试,生存分析采用多变量 Cox 模型,并针对临床预后因素进行了调整。结果:在年龄估计方面,FAHR-FaceAge 在公开数据集上的平均绝对误差最低,为 5.1 岁,优于基准模型,并在整个人类生命周期中保持准确性。在癌症患者中,FAHR-FaceAge 在生存预后方面优于先前的人脸年龄估计模型。FAHR-FaceSurvival 展示了稳健的死亡率预测能力,最高风险四分位数的死亡率是最低风险四分位数的三倍以上(调整后风险比 3.22;P<0.001)。这些发现在独立队列中得到了验证,两个模型在年龄、性别、种族和癌症亚组中均表现出泛化能力。这两种算法提供了独特且互补的预后信息;显著性映射显示每个模型依赖于不同的面部区域。FAHR-FaceAge 和 FAHR-FaceSurvival 的组合提高了预后准确性。解释:一个单一的基础模型可以生成廉价、可扩展的面部生物标志物,同时捕捉生物学衰老和疾病相关的死亡风险。该基础模型使得利用相对较小的临床数据集进行有效训练成为可能。
引用
@article{arxiv.2506.14909,
title = {Foundation Artificial Intelligence Models for Health Recognition Using Face Photographs (FAHR-Face)},
author = {Fridolin Haugg and Grace Lee and John He and Leonard Nürnberg and Dennis Bontempi and Danielle S. Bitterman and Paul Catalano and Vasco Prudente and Dmitrii Glubokov and Andrew Warrington and Suraj Pai and Dirk De Ruysscher and Christian Guthier and Benjamin H. Kann and Vadim N. Gladyshev and Hugo JWL Aerts and Raymond H. Mak},
journal= {arXiv preprint arXiv:2506.14909},
year = {2025}
}