Badacze z Mass General Brigham opublikowali 19 października 2026 roku w The Lancet Digital Health badanie, w którym model AI o nazwie FAHR-Face, wytrenowany na ponad 40 milionach zdjęć twarzy, szacuje wiek biologiczny pacjenta i bezpośrednio przewiduje jego szanse przeżycia po rozpoznaniu nowotworu. Chorzy, którzy według modelu wyglądali na co najmniej 5 lat starszych niż wynikało z metryki, mieli o 21 proc. wyższe ryzyko zgonu, a pacjenci z najwyższej grupy ryzyka drugiego narzędzia, FAHR-FaceSurvival, umierali ponad trzykrotnie częściej niż ci z najniższej.
- Model FAHR-FaceSurvival, opracowany przez badaczy z Mass General Brigham, przewiduje ryzyko zgonu bezpośrednio ze zdjęcia twarzy – pacjenci z najwyższego kwartyla jego wyników umierali ponad trzykrotnie częściej niż ci z najniższego (skorygowany HR 3,22), a ponad 50 proc. chorych z najwyższego decyla zmarło w ciągu 90 dni.
- Chorzy na nowotwory, którzy według modelu FAHR-FaceAge wyglądali na co najmniej 5 lat starszych niż wskazywała metryka, mieli o 21 proc. wyższe ryzyko zgonu (skorygowany HR 1,21) w analizie wielozmiennowej uwzględniającej wiek, płeć, lokalizację nowotworu i inne czynniki.
- Narzędzia FAHR-FaceAge i FAHR-FaceSurvival nie są dopuszczone do użytku klinicznego i pozostają na etapie badań; Mass General Brigham złożył tymczasowe zgłoszenie patentowe w USA, a autorzy zadeklarowali udostępnienie kodu i wag modelu bazowego na GitHubie po publikacji.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Jeden model bazowy, dwa narzędzia diagnostyczne
Zespół z Mass General Brigham, bostońskiej sieci szpitali akademickich powiązanej z Harvard Medical School, zbudował FAHR-Face (Foundation Artificial Intelligence for Health Recognition) jako model bazowy, czyli ogólną reprezentację twarzy, którą można potem dostrajać do konkretnych zadań medycznych. Model trenowano metodą samonadzorowaną na ponad 40 milionach nieoznakowanych zdjęć twarzy ze zbioru WebFace42M, a z niego wyprowadzono dwa osobne narzędzia:
- FAHR-FaceAge szacuje wiek biologiczny, czyli to, na ile lat ktoś wygląda, a nie ile ma w dokumentach. Model dostrajano w dwóch etapach na 749 935 publicznych zdjęciach z etykietami wieku.
- FAHR-FaceSurvival nie przechodzi przez wiek. Uczy się ryzyka zgonu bezpośrednio z fotografii. Dostrojono go na 34 389 zdjęciach pacjentów onkologicznych z kohorty Harvard RT, czyli chorych leczonych radioterapią w ośrodkach harvardzkich w latach 2008-2023.
Oba narzędzia mają wspólny rdzeń, ale analizują inne obszary twarzy. FAHR-FaceAge skupia się na fałdach nosowo-wargowych, czole tuż nad oczodołami i skroniach, a FAHR-FaceSurvival ocenia okolicę pod oczami i wokół grzbietu nosa. Autorzy sprawdzili to mapami uwagi modelu, a dodatkowo korelacja między wynikami obu narzędzi była niska (R na poziomie 0,16-0,22 w zależności od kohorty), więc każde z nich wyłapuje inny sygnał zdrowotny.
Hugo Aerts, dyrektor programu Artificial Intelligence in Medicine (AIM) w Mass General Brigham i współautor badania, ujął to tak:
„Według naszej wiedzy to pierwsza demonstracja, że model AI potrafi bezpośrednio przewidzieć przeżycie w chorobie nowotworowej ze zwykłego zdjęcia” / „To our knowledge, this is the first demonstration that an AI model can directly predict cancer survival”
Wygląd na 5 lat starszego oznaczał o 21 proc. wyższe ryzyko zgonu
Najważniejszy wynik dotyczy różnicy między wiekiem szacowanym przez AI a wiekiem metrykalnym. Autorzy nazwali ją FAD (FAHR-FaceAge deviation). W kohorcie 38 211 pacjentów onkologicznych mediana FAD wyniosła 1,1 roku, 33 proc. chorych wyglądało na co najmniej 5 lat starszych, 17,1 proc. na co najmniej 10 lat starszych, a 24,3 proc. na co najmniej 5 lat młodszych niż wskazywała metryka.
Po uwzględnieniu wieku, płci, pochodzenia, lokalizacji nowotworu, celu leczenia, roku leczenia i techniki radioterapii FAD co najmniej 5 lat wiązało się z 21 proc. wyższym ryzykiem zgonu (skorygowany HR 1,21), a FAD co najwyżej minus 5 lat z 17 proc. niższym ryzykiem (HR 0,83). To są wyniki z analizy wielozmiennowej, więc efekt wyglądu nie sprowadza się po prostu do tego, że starsi ludzie częściej umierają.
Drugie narzędzie dało jeszcze ostrzejszy podział. Pacjenci z najwyższego kwartyla wyniku FAHR-FaceSurvival mieli ponad trzykrotnie wyższą śmiertelność niż ci z najniższego (skorygowany HR 3,22). Ponad 50 proc. chorych z najwyższego decyla zmarło w ciągu 90 dni, w porównaniu z 2 proc. w decylu najniższym. Ogólny C-index, czyli miara zdolności modelu do poprawnego porządkowania pacjentów według ryzyka, wyniósł 0,72, przy czym w poszczególnych podgrupach wahał się od 0,53 do 0,88.
Samo szacowanie wieku też poprawiło się względem wcześniejszych algorytmów. Na publicznym zbiorze APPA-REAL FAHR-FaceAge uzyskał średni błąd bezwzględny 5,1 roku, podczas gdy ten sam transformer trenowany od zera osiągnął 6,92 roku. Poprzednik, model FaceAge opisany przez ten sam zespół w maju 2025 roku, uzyskał na tym zbiorze błąd 12,6 roku, bo był trenowany głównie na osobach po 60. roku życia.
| FAHR-FaceAge | FAHR-FaceSurvival | |
|---|---|---|
| Co przewiduje | wiek biologiczny w latach | wynik ryzyka zgonu od 0 do 1 |
| Dane do dostrojenia | 749 935 zdjęć publicznych | 34 389 zdjęć pacjentów onkologicznych |
| Obszar twarzy | fałdy nosowo-wargowe, czoło, skronie | okolica pod oczami, grzbiet nosa |
| Główny wynik | FAD ≥ 5 lat: HR 1,21 | najwyższy vs najniższy kwartyl: HR 3,22 |
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Walidacja na 4892 pacjentach z Holandii potwierdziła oba sygnały
Oba modele sprawdzono na niezależnej kohorcie z kliniki radioterapii Maastro w Maastricht. Obejmowała 4892 pacjentów z medianą wieku 66 lat, z których 47,2 proc. stanowiły kobiety, a najczęstsze rozpoznania to rak piersi, nowotwory przewodu pokarmowego, układu moczowo-płciowego i płuca. Mediana obserwacji wyniosła tu 3 lata.
W tej grupie FAD pozostał istotnym predyktorem przeżycia (skorygowany HR 1,127 na dekadę), podobnie jak FAHR-FaceSurvival (HR 1,086 na każde 0,1 punktu). Co ważniejsze dla praktyki, model łączący oba wskaźniki miał lepsze dopasowanie (AIC 26 560) niż każdy z nich osobno, więc dwa narzędzia z jednego modelu bazowego faktycznie wnoszą uzupełniające się informacje.
Liczby robią wrażenie, ale najciekawsze w tym badaniu jest coś innego: zespół pokazał, że jeden duży model bazowy twarzy można taniej i szybciej dostrajać do kolejnych zadań klinicznych, bez trenowania wszystkiego od zera. To ta sama logika, która napędza modele językowe, tylko przeniesiona na fotografię pacjenta. I tu zaczyna się problem. Mapa uwagi FAHR-FaceSurvival skupia się na okolicy pod oczami i wokół nosa, czyli na obszarze, który lekarze od wieków łączą z tak zwaną twarzą hipokratesową u umierających. Innymi słowy, algorytm w dużej mierze zautomatyzował „test na oko”, który doświadczony onkolog i tak robi w pierwszych sekundach wizyty. Czy to źle? Niekoniecznie, bo wersja liczbowa jest powtarzalna i można ją audytować. Ale taki wynik w systemie szpitalnym staje się twardą liczbą obok wyników krwi, a liczby mają to do siebie, że łatwiej na nich oprzeć decyzję o odstąpieniu od agresywnego leczenia niż na intuicji. Pytanie, kto będzie odpowiadał, gdy model pomyli zmęczenie po chemii z frailty.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Palenie i alkohol postarzają twarz w oczach AI, makijaż i operacje plastyczne prawie nie
Autorzy sprawdzili, co właściwie model odczytuje z twarzy. Intensywne spożycie alkoholu, używanie narkotyków i palenie wiązały się z wyższym wiekiem biologicznym, a palenie dawało najsilniejszy i uporządkowany efekt: obecni palacze wyglądali starzej niż byli palacze, a byli palacze starzej niż osoby, które nigdy nie paliły. Zależność od liczby paczkolat była widoczna zarówno w nowotworach tytoniozależnych, jak i w pozostałych.
Odporność na manipulacje testowano na sparowanych zdjęciach tych samych osób. Korekta brwi, powiek, lifting i korekta kości twarzy nie zmieniły istotnie szacowanego wieku, a jedynie korekta nosa podniosła go średnio o 1,11 roku. Makijaż, kąt ujęcia, oświetlenie i wyraz twarzy również nie dały statystycznie istotnych różnic. Raymond Mak, onkolog radioterapeuta z Mass General Brigham Cancer Institute i autor korespondencyjny badania, nazwał tę stabilność zaskakującym wynikiem.
Mak zastrzega jednocześnie, jaka ma być rola narzędzia:
„Naszym celem jest uczynienie oceny zdrowia na podstawie zdjęcia twarzy bardziej ilościową, spójną i skalowalną, tak aby wspierała spersonalizowane decyzje terapeutyczne, a nie zastępowała osąd lekarza” / „support personalized treatment decisions rather than replace physician judgment”
Ograniczenia: kohorty głównie białe, zachodnie i wyłącznie onkologiczne
Sami autorzy wymieniają kilka słabości. W testowej części kohorty harvardzkiej 87,6 proc. pacjentów stanowiły osoby białe, 4,9 proc. czarne, a 3,1 proc. azjatyckie, a dla pacjentów latynoskich związek FAHR-FaceSurvival z przeżyciem nie osiągnął istotności statystycznej. Badanie obejmuje wyłącznie chorych na nowotwory z ośrodków zachodnich, co może ograniczać przenoszenie wyników na inne choroby, regiony i niedoreprezentowane grupy. Jakość zdjęcia nadal wpływa na dokładność, a przed wejściem do rutynowej praktyki trzeba pokonać bariery regulacyjne, organizacyjne i refundacyjne.
Do tego dochodzi kwestia prywatności: narzędzie z definicji operuje na identyfikowalnych wizerunkach pacjentów. Mass General Brigham złożył tymczasowe zgłoszenie patentowe w USA na algorytmy rozpoznawania zdrowia z twarzy nowej generacji, a badanie sfinansowała Europejska Rada ds. Badań Naukowych (ERC). Autorzy deklarują, że kod i wagi modelu bazowego oraz FAHR-FaceAge trafią na GitHub po publikacji.
Krytyka spoza zespołu pojawiła się już przy poprzedniej wersji narzędzia. W maju 2025 roku, gdy ten sam zespół opublikował pierwsze badanie o FaceAge, Jennifer Miller, współdyrektorka programu etyki biomedycznej na Uniwersytecie Yale, mówiła w rozmowie z The New York Times:
„Bardzo martwiłabym się tym, czy to narzędzie działa równie dobrze we wszystkich populacjach” / „I’d be very worried about whether this tool works equally well for all populations”
Nowe badanie odpowiada na ten zarzut częściowo: dodano walidację zewnętrzną i analizy w podgrupach, ale struktura rasowa kohort pozostała mocno przechylona.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Czy Polacy mogą sprawdzić swój FaceAge?
Narzędzia FAHR-FaceAge i FAHR-FaceSurvival nie są dopuszczone do użytku klinicznego nigdzie, w tym w Polsce, i pozostają na etapie badań. Zespół z Mass General Brigham prowadzi jednak otwarte dla publiczności badanie online FaceAge Research Study, zatwierdzone przez komisję bioetyczną, w którym uczestnik może przesłać zdjęcie twarzy i otrzymać własny wynik badawczy, a jednocześnie zasila dane służące do walidacji modelu w większych i bardziej zróżnicowanych populacjach. To jedyna legalna droga, by ktoś spoza USA miał dziś kontakt z tą technologią.
Z punktu widzenia polskiego systemu ochrony zdrowia bardziej istotne jest to, że analizy twarzy pacjenta pod kątem stanu zdrowia dotyczą danych biometrycznych i danych o zdrowiu, czyli kategorii szczególnie chronionych w RODO. Wdrożenie takiego narzędzia w polskim szpitalu wymagałoby więc osobnej podstawy prawnej i oceny skutków dla ochrony danych, niezależnie od tego, co wykaże dalsza walidacja kliniczna. To ocena redakcji, nie wniosek autorów badania.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym publikacji naukowej Haugg F. i in. „Foundation Artificial Intelligence Models for Health Recognition Using Face Photographs (FAHR-Face): a model development and validation study” w The Lancet Digital Health z dnia 19.10.2026 (pełny tekst preprintu: arXiv), komunikatu prasowego Mass General Brigham z dnia 19.10.2026 oraz artykułu The Guardian z dnia 20.10.2026. Do weryfikacji wykorzystano także materiały Becker’s Hospital Review, Medical Xpress i Harvard Gazette.
Cytaty Hugo Aertsa i Raymonda Maka z Mass General Brigham zostały zweryfikowane z oryginalnym anglojęzycznym komunikatem prasowym. Cytat Jennifer Miller z Uniwersytetu Yale pochodzi z wypowiedzi dla The New York Times z maja 2025 roku, przytoczonej wtórnie przez Futurism, i dotyczy wcześniejszej wersji narzędzia FaceAge.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji w temacie modelu FAHR-Face i wykorzystania analizy twarzy przez AI w onkologii.
