FaceAge与实足年龄的极端差异作为大规模肿瘤队列预后和分层治疗的新型生物标志物研究

《JNCI: Journal of the National Cancer Institute》：FaceAge as a biomarker for prognosis and treatment stratification in large-scale oncology cohort

本研究针对癌症患者预后评估不准确及个体化治疗决策困难的临床难题，开展了一项基于深度学习的面部年龄（FaceAge）评估研究。通过对24,556例接受放疗的≥60岁癌症患者进行分析，发现FaceAge与实足年龄的极端差异（FaceAge-Age≥10年或≤-5年）是生存期和早期（30/60天）死亡率的独立预测因子，为临床预后模型和个体化治疗提供了新的生物标志物。

　　

在肿瘤治疗领域，准确评估患者的预后和生存期是临床医生面临的一大挑战。传统的评估方法往往依赖于实足年龄和临床经验，但人类衰老的速度存在显著的个体差异，实足年龄并不能完全反映个体的生物学健康状况和剩余寿命。尤其对于老年癌症患者或晚期患者，过度激进的治疗可能不仅无法延长生存，反而会降低生命最后阶段的生活质量；而过于保守的治疗则可能错失治疗机会。因此，迫切需要一种能够客观、便捷地评估患者生物学年龄和预后的新型工具。

近年来，人工智能（AI）技术在医学影像分析中展现出巨大潜力。人脸作为最易获取的视觉信息载体，记录了丰富的生物学衰老痕迹。基于此，研究人员开发了一种名为FaceAge的深度学习系统，能够通过分析面部照片来估算个体的生物学年龄。此前的研究已初步证明了其可行性。为了进一步验证FaceAge在真实世界、大规模癌症人群中的预后价值，由哈佛医学院等机构的研究团队在《JNCI: Journal of the National Cancer Institute》上发表了这项重磅研究。

为了回答上述问题，研究人员开展了一项大规模回顾性队列研究。该研究的关键技术方法主要包括：首先，构建了一个大型患者队列，纳入了2008年至2023年间在美国马萨诸塞州6家诊所接受放疗且年龄≥60岁的24,556名患者，这些患者在治疗前均拍摄了常规面部照片。其次，应用预先训练好的FaceAge深度学习模型（该模型在58,851名健康人面部照片上训练，平均绝对误差为4.09年）对所有入组患者的面部照片进行分析，获得其FaceAge估计值。第三，定义了核心研究变量——FaceAge与实足年龄的差值（FaceAge-Age），并重点关注了两种极端差异：FaceAge-Age ≥10年（面容显著更老）和FaceAge-Age ≤-5年（面容显著更年轻）。最后，运用了全面的统计学分析方法，包括Kaplan-Meier生存分析、Cox比例风险回归模型（评估总体生存风险）和Logistic回归模型（评估早期死亡风险），并在一项独立的荷兰MAASTRO临床数据集（n=3,893）上进行了外部验证，以检验结果的稳健性。

研究结果

患者特征与FaceAge分布

分析队列的中位实足年龄为70岁，中位FaceAge为74岁。高达65%的患者其FaceAge大于实足年龄，中位差值为2.6岁。在整个队列中，13%的患者存在FaceAge-Age ≥10年的极端差异，另有13%的患者存在FaceAge-Age ≤-5年的差异。

FaceAge与疾病严重程度

研究结果显示，FaceAge与疾病严重程度显著相关。患有更晚期或侵袭性更强、预后更差癌症的患者，其FaceAge倾向于比实足年龄更老。例如，在转移性癌症患者中，FaceAge-Age ≥10年的比例为15%，显著高于非转移性癌症患者（12%）和良性疾病患者（9%）。在不同预后的非转移性癌症分组中，预后不良组（如白血病、胰腺癌）患者出现FaceAge-Age ≥10年的比例（分别为23%和19%）也显著高于预后良好组（如导管原位癌DCIS、前列腺癌，分别为9%和7%）。多因素Logistic回归分析进一步证实，诊断癌症（相对于良性疾病）、预后较差的诊断（如肺癌、胰腺癌、骨/脑转移）、较年轻的实足年龄、女性、以姑息为目的的治疗以及治疗年份较晚，均与FaceAge-Age ≥10年的高风险独立相关。

FaceAge与总体生存期

生存分析揭示了FaceAge强大的预后预测能力。Kaplan-Meier曲线显示，FaceAge越老，生存期越差。更重要的是，FaceAge与实足年龄的差异（FaceAge-Age）是生存期更强的预测指标。对于整个队列，FaceAge-Age ≥10年的患者中位总生存期（OS）为51个月，显著差于其他患者（95个月）。这种差异在相同实足年龄组内更为明显：例如，在年龄<75岁的患者中，那些FaceAge≥75岁的患者生存期显著更差（中位OS 67个月 vs 168个月）；而在年龄≥75岁的老年患者中，那些FaceAge<75岁的患者生存期显著更好（中位OS 60个月 vs 33个月）。多变量Cox回归分析显示，在调整了年龄、性别、种族、疾病部位、治疗意图等多种混杂因素后，FaceAge-Age ≥10年仍然与死亡风险显著增加相关（风险比HR 1.26），而FaceAge-Age ≤-5年则与死亡风险降低相关（HR 0.90）。将FaceAge-Age加入多变量模型显著提高了模型的解释力。亚组分析和外部验证均支持这一发现在不同患者群体和癌症类型中的普遍性。

FaceAge与早期死亡率

研究还发现FaceAge对短期预后具有预测价值。在整个队列中，30天和60天死亡率分别为3%和7%。而在FaceAge-Age ≥10年的患者中，这两个比例分别升高至5%和10%。多变量Logistic回归分析证实，FaceAge-Age ≥10年是30天死亡率（比值比OR 1.38）和60天死亡率（OR 1.33）的独立预测因子，其加入同样显著增强了模型的预测能力。

研究结论与意义

本研究通过大规模、多中心的真实世界数据，有力地证实了基于面部照片的生物学年龄估计值FaceAge，特别是其与实足年龄的极端差异（FaceAge-Age），是癌症患者生存期和早期死亡率的独立、强效预测生物标志物。

该研究的结论具有多重重要意义。首先，它揭示了面部特征所蕴含的生物学衰老信息与癌症的严重程度和进展密切相关，为理解衰老与癌症的生物学联系提供了新的视角。其次，FaceAge作为一种非侵入性、低成本、可快速获取的工具，有望在临床实践中发挥重要作用。例如，对于晚期患者，识别出FaceAge-Age ≥10年（预示极高早期死亡风险）可能有助于医生和患者更理性地讨论治疗目标，避免不必要的激进治疗，转而更注重生活质量和姑息支持。相反，对于高龄患者，识别出FaceAge-Age ≤-5年（预示相对较好的预后）可能支持医生采取更积极的根治性治疗策略，避免因年龄歧视而错失治疗机会。这为实现真正的个体化、精准化肿瘤治疗提供了新的决策依据。

当然，研究者也指出了当前研究的局限性，包括模型主要适用于≥60岁人群、队列中白人占主导可能影响对其他种族的泛化性、未考虑化妆品或日光暴露等外在因素的影响等。未来的研究方向包括将模型拓展至更年轻人群、在更多样化的人群中验证、探索FaceAge与其他衰老生物标志物（如表观遗传时钟、端粒长度等）的关系，并解决相关的伦理和隐私问题。

总之，这项研究标志着AI驱动的面部健康评估在肿瘤预后预测领域迈出了坚实的一步。FaceAge有潜力成为继实足年龄、体能状态等之后又一个重要的临床决策辅助工具，最终助力于优化癌症患者的治疗分层和改善临床结局。