人工智能在醫療領域的應用持續擴展，最新研究顯示，僅憑一張自拍，AI 工具就可能預測癌症病患的生理年齡與存活率。由美國麻省總醫院（Mass General Brigham）團隊開發的 FaceAge 模型，透過深度學習分析人臉圖像，可準確辨識與老化相關的微細面部特徵，據此推算出個人的「生理年齡」，再結合病歷資料預測治療耐受度與六個月內的存活可能性。

研究發表於《Lancet Digital Health》，指出 FaceAge 預測準確率高達 80%，明顯高於醫師僅依照片目測所得的 61%。此技術不僅挑戰了傳統臨床評估的方式，更揭示 AI 作為個人化醫療輔助工具的潛在價值。未來，我們或可透過一張自拍，預先了解身體狀況與風險水平，進一步改變健康管理與臨床決策的模式。

AI 生理年齡技術的潛力與爭議

我們 DotAI 編輯團隊觀察到，FaceAge 技術雖仍處於臨床驗證階段，但已展現出 AI 在個人健康評估上的重大潛力。以下是三個關鍵發現：

1. ✅ 準確率高達 80%
   FaceAge 經實測可結合人臉圖像與病歷資料，預測癌末病患 6 個月內存活率，其結果比醫師單憑目測高出近 20 個百分點。

2. 🧠 AI 辨識深層老化訊號
   模型不是憑外觀判斷皺紋或膚色，而是基於面部結構的微觀變化，推算生理老化程度，反映身體機能狀況，遠較實際年齡更具臨床參考價值。

3. ⚠️ 應用挑戰仍多
   FaceAge 涉及個人臉部數據處理，需面對隱私保障、數據偏見與倫理風險等問題。此外，如何整合入實際醫療流程，亦需大量臨床驗證。

這三大觀察反映出：AI 不再只是輔助工具，而是逐漸參與判斷與決策，未來可望在個人化醫療、保險評估、健康管理等多場景中發揮影響力。

FaceAge 如何「睇你幾老」？

FaceAge 的核心，是一個訓練自超過 58,000 張健康個體臉部照片的深度學習模型，這些圖像來自公開資料庫（如 Wikipedia、IMDb 及 UTKFace），涵蓋從嬰兒至 116 歲的年齡範圍。透過大量圖像學習，AI 能夠識別肉眼難以察覺的「深層老化特徵」，包括面部組織結構的變化、輪廓線條與肌膚張力的細微變異。

研究團隊隨後將該模型應用於 6,200 多名癌症病患的臉部圖像，並結合臨床資料測試其準確性。結果顯示：患者的「FaceAge」平均比實際年齡高出約 5 歲，且 FaceAge 越大，預後存活率越低，顯示其具高度預測力。

值得注意的是，FaceAge 並非依賴可見皺紋或膚色判斷，而是建立一套「生理年齡圖像語言」，從影像中建構出身體機能的潛在輪廓，轉化為臨床可用的健康指標。

AI 看臉可否變成醫療標準？

FaceAge 所代表的 AI 健康評估技術，正逐步走向多元應用場景。除了在癌症治療中預測病患的存活率與治療耐受度，其技術基礎亦具備擴展性，有望應用於以下領域：

• 🩺 個人化健康管理：一般用戶可透過 App 定期上傳自拍，追蹤自身生理老化進程，及早發現潛在風險。

• 🧬 疾病風險預測：可作為心血管疾病、阿茲海默症等與年齡相關病症的早期指標。

• 💊 藥物與抗老化療效評估：FaceAge 可作為量化延緩老化效果的客觀指標，有助臨床研究與新藥開發。

然而，要將此技術真正納入醫療標準，仍面臨幾項重大挑戰。首先，臉部圖像屬敏感生物識別資料，涉及隱私風險與倫理規範；其次，演算法需解決因種族、膚色、光線與化妝等外在因素帶來的偏誤問題。最關鍵的是，如何將此類 AI 工具有效整合至醫療流程，並獲得醫護人員信任，仍需大量實證研究與制度設計配合。

AI 能否真正「預測你幾時死」？

FaceAge 的研究結果，展示了人工智能如何透過影像資料，協助醫療專業人員進行更精準的風險判斷。從癌症存活率預測到生理年齡評估，AI 正逐步從技術實驗走向臨床應用，並為個人健康管理開啟新方向。隨著深度學習與圖像模型不斷成熟，企業亦可思考如何將這類 AI 能力應用於實際服務與產品開發中，創造真正可落地的數碼解決方案。

📣 如果你希望了解如何結合 AI 技術與商業場景，打造屬於你嘅健康預測系統、智能服務流程或 No-Code 自動化應用，DotAI《商業應用課程》正是你踏出第一步的最佳選擇：

🔹 報名參加《AI × No-Code 商業應用課程》
🔹 無需寫程式，掌握 AI Agent + 自動化設計思維
🔹 解鎖 10 小時實戰訓練，將 AI 化為可執行的服務模型