AI开始给人“看相”,还能预卜生死

AI开始给人“看相”,还能预卜生死

本文来自微信公众号: 西直门外汉 ,作者:老孙去也

AI开始抢相面先生的生意了。

11月19日,《自然·通讯》发表了一项研究。丹麦研究人员把27660张急诊患者的面部照片交给AI,发现仅凭一张脸,就能对患者的死亡风险进行分层。

模型预测3天内死亡风险的AUC达到0.80,预测30天死亡风险的AUC为0.77。在这批患者中,它的风险区分能力超过了部分传统急诊分诊指标和临床风险评分。

更有意思的是,一些传统预警评分较低的患者,也被AI识别出了较高的死亡风险。

一个月前,哈佛医学院等机构在《柳叶刀·数字健康》发表了另一项研究。研究团队用超过4000万张人脸照片训练AI,随后利用癌症患者数据训练生存预测模型。

结果显示,模型判定的最高风险四分位组患者,死亡风险是最低组的3.23倍。

两项研究相隔一个月,面对的是不同患者,却干了同一件事:从人的脸上寻找死亡风险的线索。

当然,AI还没有预知生死的本事。它能判断谁的风险更高,暂时还算不出谁能活多久。

不过,过去属于相面先生的某些说辞,如今确实有人拿着临床数据认真研究了。

01

医生看病,原本就要看脸。

患者面色苍白、眼窝凹陷、面容消瘦,经验丰富的医生往往会提高警惕。

古希腊医学里甚至有个专门的说法,叫“希波克拉底面容”,用来描述严重疾病患者可能出现的特征性面容。

问题在于,医生可以描述这些变化,却很难把它们换算成一个统一的风险分数。

AI试图补上这一环。

哈佛团队先让模型从4000多万张照片中学习面部特征,再针对不同任务训练算法。一个估算面部年龄,另一个预测癌症患者的生存风险。

研究涉及38183名美国癌症患者,并在荷兰4892名癌症患者组成的独立队列中进行了外部验证。

其中,面部年龄模型预测实际年龄的平均绝对误差约为5.1岁。

至于生存预测模型,高、低风险组之间的死亡风险比达到3.23。

数字相当漂亮。

但4000多万张照片主要用于学习人脸特征,并不意味着研究人员掌握了4000多万人的健康档案。所谓5.1岁的误差,也只是视觉年龄的估算误差,不能证明AI准确测出了人的生物学年龄。

3.23倍则是不同患者群体之间的统计比较,不能直接换算成某个人的死亡概率。

AI可以发现面部特征与死亡风险的关系,但还无法据此判断某个人的寿命。

这条界限必须划清。

02

相比哈佛研究,丹麦团队这次把应用场景推向了一个更敏感的地方:急诊科。

急诊医生每天都要判断谁应该优先接受救治。

这套流程有成熟的分诊标准,医生和护士会结合意识状态、呼吸、血压、心率等指标,评估患者的紧急程度。

但临床上的危险,未必总能被这些指标充分捕捉。

丹麦研究纳入的患者年龄中位数为73岁。研究人员发现,在传统早期预警评分较低的患者中,面部AI仍能识别出死亡风险明显较高的人群。

这意味着,算法可能捕捉到了常规分诊指标没有充分反映的信息。

假如未来经过临床验证,这项技术可以帮助医生重新审视那些表面上并不危急的患者。

但论文里的风险分层,距离急诊室里的实际应用,还有一段路。

公开的研究预印本显示,部分照片的采集时间可能延伸至患者入院后30天内。这与患者刚到急诊、医生必须立即决定救治顺序的场景并不完全相同。

研究证明面部照片包含预后信息,并未证明在急诊分诊的第一时间使用模型,就能获得同样的效果。

还有一个问题,研究并没有充分回答。

AI识别出来的高风险患者,医生原本能不能识别?

如果一位患者明显消瘦、精神萎靡,医生结合病史、查体和检查结果已经判断其身体状况很差,AI再给出一个高风险评分,新增的价值就需要重新衡量。

英国科学媒体中心邀请的独立专家在评论哈佛研究时,也指出了这一局限:模型尚未证明,它能在医生现有的患者整体状况评估之外,提供多少真正有用的临床信息。

预测能力与临床价值之间,不能直接画等号。

03

真正麻烦的事情,发生在AI评分进入临床决策之后。

设想一位晚期癌症患者,医生根据病情、身体状况和治疗意愿,认为可以继续接受下一阶段治疗。

这时,面部AI给出了很高的死亡风险评分。

医生如果坚持原有治疗方案,就需要解释为什么没有采纳算法提示。

如果医生因此降低治疗强度,患者又可能失去一次治疗获益的机会。

死亡风险高,并不等于治疗没有价值。

临床医生真正需要知道的,还有患者能否耐受治疗、不同方案可能带来的收益和伤害。

目前,两项研究都没有证明,根据面部AI评分调整治疗方案,能够改善患者的最终结局。

但医院一旦采购并启用这类系统,责任就不能含糊。

假如一个被分为低优先级的急诊患者,被AI标记为高死亡风险,医院首先需要规定由谁复核。

如果要求医生追加检查、增加监护,还需要明确触发条件。假阳性过多,急诊科可能增加大量检查与观察工作;假阴性造成漏判,风险则由患者承担。

过去,医生根据临床证据作出判断,医院依照诊疗规范监督质量。

以后如果病历中多了一个AI死亡风险评分,医生偏离算法建议,是否需要额外说明?算法提示被忽略后发生不良结局,医院又该怎样评价?

这些都是需要制定流程的问题。

软件供应商负责提供模型,但实际诊疗仍由医院组织、医生实施。采购合同里的“仅供辅助参考”,不能代替医院对临床使用边界的管理。

算法越接近治疗决策,医生需要承担的解释工作就可能越多。

04

对于医疗AI企业,这显然是个颇有吸引力的方向。

过去,很多医疗影像AI依赖CT、MRI或病理图像,必须接入专业设备和医院信息系统。

面部AI的采集门槛要低得多。

一部手机就可能完成拍照。若后续研究证明确有临床收益,急诊风险评估、肿瘤随访和老年医学都有潜在应用空间。

不过,采集成本低,并不等于医院愿意掏钱。

一家医院已经拥有电子病历、检验系统和成熟的风险评估流程。如果再采购面部AI,企业得证明它能发现多少原本被漏掉的高风险患者,又会额外制造多少误报。

增加的检查、复核、监护和培训成本,也要有人承担。

还有数据。

过去,医院采集患者照片,主要用于身份核验或病历记录。现在,同一张照片可能被用于推断健康状况,甚至死亡风险。

我国《个人信息保护法》已将生物识别、医疗健康信息列为敏感个人信息。

照片换了用途,医院就必须重新审视处理依据、告知授权、数据留存与供应商权限。

更现实的是,面部AI目前仍缺乏充分的前瞻性临床验证。模型能否跨医院、跨人群稳定使用,能否改善患者结局,都需要继续研究。

丹麦研究的部分作者已经就相关风险预测方法申请临时专利。哈佛团队也公开了部分模型代码和权重,但生存风险预测模型的权重尚未公开。

从论文走向产品,商业开发已经可以设想,临床应用资格却不能靠论文自动获得。

尤其对于预测死亡风险的技术,医院没有多少试错余地。

相面先生看错了,最多被骂一句江湖骗子。

AI如果看错了,而医生又照着它的判断改变了治疗方案,事情就没那么简单了。

毕竟,算命可以只管说,治病总得有人负责。