Штучний інтелект за фотографією обличчя може передбачити ризик смертності від раку

Юрій Ніколов написав у Facebook про нове дослідження американських учених, які розробили модель штучного інтелекту для прогнозування ризику смертності у пацієнтів із раком на основі фотографії обличчя.

Технологія базується на розробці фахівців Mass General Brigham у Бостоні та опублікована у виданні Lancet Digital Health у жовтні 2026 року.

Як працюють нові алгоритми штучного інтелекту

Дослідники створили базову модель FAHR-Face, яка використовує понад 40 мільйонів фотографій облич. На її основі розробили дві системи: FAHR-FaceAge для оцінки біологічного віку та FAHR-FaceSurvival для безпосереднього прогнозування ризику смертності у хворих на рак.

Результати показали, що серед пацієнтів із найвищими показниками FAHR-FaceSurvival приблизно половина померла протягом 90 днів, тоді як у групі з найнижчими показниками цей показник становив близько 2 відсотків.

На які ділянки обличчя звертає увагу штучний інтелект

У ході дослідження вчені з'ясували, що алгоритм FAHR-FaceSurvival зосереджується на ділянці під очима та переніссі. Водночас FAHR-FaceAge виділяє носогубні складки, лоб та скроневу область.

Один із авторів дослідження, радіаційний онколог Реймонд Мак зазначив, що алгоритми ґрунтуються виключно на комп'ютерному зорі та не мають доступу до медичної літератури. За його словами, ШІ може звертати увагу на втрату м'яких тканин і м'язової маси.

«Це перший випадок, коли ми продемонстрували, що можемо безпосередньо передбачити ризик смертності — не лише біологічний вік, а саме ризик смертності — лише на основі фотографії.» — Реймонд Мак, радіаційний онколог з Інституту онкології Mass General Brigham.

Застереження експертів та обмеження методу

Незалежні експерти висловили низку застережень щодо нового методу. Зокрема, досі залишається незрозумілим, які саме фізіологічні особливості в цих ділянках обличчя аналізує модель.

Джерело: Facebook

Професорка Сучі Сарія з Університету Джона Гопкінса зазначила, що необхідно довести здатність моделі покращувати прогнози порівняно з уже наявною у розпорядженні лікарів інформацією. Також науковці застерегли про потенційний ризик виникнення расових упереджень через особливості навчальних наборів даних.