《Advanced Science》：A Facial Foundation Model for Clinical Biomarker Prediction and Real-World Mobile Deployment
编辑推荐：
尽管大多数生物标志物（biomarker）目前依赖侵入性实验室检测，这限制了大规模或重复性筛查，可扩展的非侵入性方法有望变革人群筛查与个性化健康管理。面部照片作为 ubiquitous 且非侵入性的数据源具有潜力，但用于临床生物标志物预测仍未被充分挖掘。现有监
尽管大多数生物标志物（biomarker）目前依赖侵入性实验室检测，这限制了大规模或重复性筛查，可扩展的非侵入性方法有望变革人群筛查与个性化健康管理。面部照片作为 ubiquitous 且非侵入性的数据源具有潜力，但用于临床生物标志物预测仍未被充分挖掘。现有监督方法受限于临床标注数据，而通用视觉模型为非负临床任务优化，可能不足以捕捉细微、多尺度、空间分布的临床面部特征。为此，研究人员开发了 MedicalFaceFound，一个在超过 10 million 张图像上预训练的面部基础模型（facial foundation model），并在跨越 8 个生理系统的 62 个生物标志物上评估。该模型在 Swin-Large 与 ResNet18 中对 45 个（73%）生物标志物表现最佳，在 4 个独立外部队列中泛化（中位 Pearson's r = 0.172），其中 RBC、eGFR 与 HDL-C 表现强（中位 r = 0.478、0.442、0.430）。MedicalFaceFound 在 26 个生物标志物中的 14 个上优于多基因风险评分（polygenic risk score, PRS）模型，且面部估计的心血管生物标志物与冠状动脉狭窄强相关（AUC = 0.66）。该模型在 400 个标注样本下仍保持预测性能，并可作智能手机应用部署，支持可扩展、非侵入性生物标志物评估与个性化风险筛查。
研究背景方面，量化内部生理状态对疾病预防、早期诊断与个性化健康管理至关重要。临床生物标志物（biomarker）横跨多个器官系统，但大多数需侵入性采样与实验室检测，在资源受限场景下难以大规模、高频次开展。面部照片成本低、非侵入且易获取，肾功能障碍可表现为面部水肿或苍白，失代偿肝硬化可致面色黄染，说明面部表型承载健康信息。既有计算机视觉研究多为疾病或遗传综合征分类等任务特定监督/迁移学习，通用视觉模型侧重物体与场景语义，通用人脸模型侧重身份识别，均难捕捉临床相关的细微、多尺度、空间分布面部线索，因此缺乏面向广域临床面部表型的基础模型。
该研究由研究人员开展，论文发表于《Advanced Science》。研究人员提出 MedicalFaceFound，采用渐进式“通用到临床”自监督预训练（self-supervised learning, SSL），先后以 ImageNet-22K、VGGFace2-HQ 与中国安贞医院临床面部图像适配表示，再用 62 个常规生物标志物微调，覆盖人体测量、心血管、血液、肾脏、内分泌、电解质、消化与免疫系统，并在多个内外队列及智能手机场景中验证。结论是该面部基础模型可从单张正面照中提取与实测值显著相关的多系统生物标志物信号，在部分心血管与肾脏指标上表现突出，对冠状动脉狭窄风险分层价值可与实验室指标相当，且具备复现性、标注效率与移动端可行性，为无创筛查与精准健康提供技术底座。
关键技术方法上，研究人员使用安贞训练队列（AZ-TR）、AZ-EV1、AZ-EV2、AZTZ-EV、DX-EV 与含基因数据的 AZ-GEV，以及北京安贞医院心内科智能手机试点 APP-EV 队列；以 Swin-Large 为骨干，采用 Uniform Masking Masked Autoencoder（UM-MAE）做三阶段通用到临床自监督预训练，并以 L2-SP 与回放样本缓解灾难性遗忘；下游为每个生物标志物接任务特定多层感知机（multilayer perceptron, MLP）头独立微调；用 PGS Catalog 构建多基因风险评分（PRS）比对；用逻辑回归构建冠状动脉狭窄（≥50% vs <50%）风险模型；以 Pearson's r、ICC、AUC 与增量 R2 评估；并通过微信端采集手机照片做服务器端推理可行性验证。
研究结果如下。2.1 MedicalFaceFound development：研究人员以 ImageNet-22K（14,197,122 张）、VGGFace2-HQ（1,160,250 张）与安贞临床面部图像（88,489 张）三阶段预训练 Swin-Large，再用 AZ-TR 中 4,698 名多正面照且有关联检验者微调 62 个生物标志物，确立基础模型构建路径。2.2 MedicalFaceFound Predicts Clinical Biomarkers Across Internal and External Cohorts：在内部与四个外部队列中，人体测量指标预测最强，肾相关次之，电解质最弱；RBC、eGFR(CKD-EPI)、HDL-C、HCT 在内外队列均稳健；MedicalFaceFound 在 62 个指标上 45 个优于 Swin-Large 与 ResNet18；多变量调整后仍保留超出年龄、性别、身高、体重、BMI 的信息。2.3 MedicalFaceFound Predictive Performance Compared to Polygenic Risk Scores：在 AZ-GEV 的 26 个生物标志物中，面部模型在 BMI、HDL-C、血红蛋白（haemoglobin, Hb）、eGFR(CKD-EPI) 等 14 个上优于最优多祖先 PRS，说明面部与遗传捕获部分重叠但非同一的风险信息。2.4 MedicalFaceFound-Estimated Cardiovascular Biomarkers Preserve Stenosis-Associated Information and Improve Risk Stratification：用 AZ-TR 与 DX-EV 冠脉造影（coronary angiography, CAG）数据，面部估计 HDL-C 与实验室测量对狭窄关联方向一致；受他汀治疗者实测 LDL-C 偏低而面部估计 LDL-C 仍偏高，提示其反映 LDL-C 相关复合表型。面估计基础模型与进阶模型在 DX-EV 的 AUC 为 0.649 与 0.657，接近实验室基础模型 0.614，特征重要性 ICC 达 0.86。2.5 MedicalFaceFound Delivers Reproducible Predictions and Superior Label Efficiency with Limited Training Data：重复拍摄测试中 MedicalFaceFound 各队列 ICC 高于基线，DX-EV 达 0.971；仅 400 样本时仍明显优于 Swin-Large 与 ResNet18，eGFR 与 LYM 可用 10% 标注数据达到同等精度，显示强标注效率。2.6 MedicalFaceFound Learns Physiologically Plausible Facial Representations for Clinical Biomarker Prediction：在 75% 掩码下可重建病理面部，Grad-CAM 显示 eGFR 关注眼周与颊部、Hb 整合全脸、HDL-C 集中于眼周，说明模型关注生理可解释区域但并非机制证据。2.7 Real-World Deployment of MedicalFaceFound via Smartphone for Clinical Use：研究人员开发微信应用，医生辅助下用 iPhone 15 Pro Max 采图，APP-EV（N=110）中 57 个生物标志物跨队列 ICC 中位 0.910，证明医师辅助手机采图可产生与相机图一致的估计，但是服务端推理的概念验证而非无人自检规模部署。
讨论部分总结：研究人员强调该研究为观察性、多属横断面，只能证关联非因果；面部表型由遗传与环境共同塑造，面部模型信号可能混杂年龄、性别、BMI、生活方式、共病、用药与治疗史。模型在中国人群训练，AZTZ-EV 与 APP-EV 样本小，外部人群、设备与自拍场景泛化需后续多中心验证。渐进式通用到临床预训练弥补了通用视觉、网络人脸与临床人脸间的领域偏移；面部估计生物标志物可提供传统化验之外的风险分层信息，但不应替代实验室诊断。未来需扩大祖先群体、设备条件与真实自拍环境验证，并配套伦理与隐私保障。
研究结论部分翻译：在该研究中，研究人员开发了 MedicalFaceFound，一种基于渐进式通用到临床预训练策略的面部基础模型，并利用中国五个医院队列的面部照片评估其估算八类生理系统临床生物标志物值的能力。研究结果表明，MedicalFaceFound 可从面部图像推导出与实测生物标志物值具有统计学关联的临床信号；模型衍生估计还提供被评估多基因评分之外的临床信息，并与研究队列中的冠状动脉狭窄相关。这些结果共同支持面部成像作为一种可扩展输入模态，用于非侵入性生物标志物估算与风险分层，但并不意味着面部外观与系统生理之间存在因果或机制关系。
Collectively, our study establishes a new paradigm for precision health. A single facial photograph can serve as a non-invasive, multidimensional signal associated with clinical physiology. By demonstrating broad biomarker predictability, complementarity with genetic risk, robust foundation-model performance, and smartphone-based deployment, MedicalFaceFound provides both biological evidence and technical infrastructure for future facial images based health assessment. These findings suggest that facial foundation models may support scalable biomarker estimation, chronic disease risk prediction, and population-wide digital screening. With further validation and integration with clinical workflows with and appropriate ethical safeguards, facial-image-based biomarker prediction could become a practical component of personalized preventive healthcare.
