Kann ein einfaches Foto das Überleben bei Krebs vorhersagen? Die künstliche Intelligenz FaceAge
In diesem Artikel
Gesichtsalter: ein Deep-Learning-System für die Krebsdiagnostik
Eine am 8. Mai 2025 in The Lancet Digital Healthveröffentlichte Studie zeigt, dass das Deep-Learning-System FaceAge durch die Schätzung des biologischen Alters anhand von Gesichtsfotos bei Krebspatienten die Vorhersage des Überlebens verbessert .
Der „erste Eindruck“ spielt bei ärztlichen Entscheidungen im klinischen Alltag eine Rolle, bleibt jedoch subjektiv und vermittelt nur eine grobe Vorstellung vom biologischen Alter . Ein qualitatives und standardisiertes Maß wurde benötigt. FaceAge soll diese Lücke schließen, indem es aus einem einzigen Gesichtsfoto ein quantitatives „Gesichtsalter“ ermittelt.
Zusammenfassung: Auf Gesichtsfotos wirken Krebspatienten gegenüber Menschen ohne Krebs im Mittel etwa 5 Jahre älter . Das Gesichtsalter ist über mehrere Krebsgruppen hinweg unabhängig mit dem Überleben verbunden. In der Palliativversorgung verbessert KI die Genauigkeit ärztlicher Vorhersagen zum Krankheitsverlauf um etwa 6 %. Mit KI-Unterstützung steigt die Vorhersageleistung von 74 % auf 80 %.
📷 Klinische Entscheidungen anhand von Foto und Gesichtsalter
FaceAgeschätzt das Alter anhand eines Gesichtsfotos, das mit einer üblichen Webcam oder einem Smartphone aufgenommen wurde. Es ergänzt die subjektive ärztliche Beurteilung des Allgemeinzustands um eine objektive Ebene. Patienten, deren Gesicht jünger als ihr chronologisches Alter erscheint, erzielen nach der Behandlung tendenziell bessere Ergebnisse .
🧠 Wie wurde das Modell trainiert?
- Training: IMDb–Wiki als Datenbank mit 56.304 Gesichtsaufnahmen.
- Technische Validierung: UTKFace als Datensatz mit 2.547 Aufnahmen.
🏥 Klinischer Test in den USA und den Niederlanden
- Insgesamt: 6.196 Krebspatienten mit Gesichtsfotos zu Beginn der Strahlentherapie.
- Referenz: Eine Kohorte ohne Krebs mit 535 Personen.
- Analyse: Kaplan-Meier-Verfahren, Cox-Regression und multivariable Adjustierungen.
Erläuterung der Abbildung: Der FaceAge-Algorithmus untersucht die Überlebensvorhersage bei Krebspatienten, indem er mittels Deep Learning das biologische Alter aus Gesichtsfotos schätzt. In der Studie wurden explorative Daten von 58.851 gesunden Personen mit klinischen Daten von 6.196 Krebspatienten verglichen. Die Befunde deuten darauf hin, dass ein älteres Erscheinungsbild des Gesichts mit schlechterem Überleben verbunden sein könnte.
📊 Studienergebnisse: die wichtigsten Zahlen
Erläuterung der Abbildung: Der KI-gestützte FaceAge-Algorithmuswurde als leistungsfähiges Instrument zur Überlebensvorhersage bewertet, das das biologische Alter von Krebspatienten aus Gesichtsfotos schätzt. In den Analysen wurden drei Hauptgruppen unterschieden:
- Grüne Gruppe: Patienten, deren Gesicht jünger als ihr chronologisches Alter erscheint: medianes Überleben 40 Monate.
- Blaue Gruppe: Patienten mit einem dem chronologischen Alter entsprechenden Gesichtsalter, die Referenzgruppe: medianes Überleben 28 Monate.
- Rote Gruppe: Patienten mit älter wirkendem Gesicht: medianes Überleben nur 18 Monate.
Analysen der Hazard Ratio (HR) bestätigten diesen Unterschied. Bei jünger wirkenden Patienten zeigte sich ein niedrigeres Risiko, bei älter wirkenden ein höheres Risiko . Die schwarze Linie stellt diese HR-Werte dar.
🔹 Altersunterschied: In der Gesichtsanalyse erschienen Krebspatienten gegenüber gleichaltrigen gesunden Personen durchschnittlich 4,7 Jahre älter (P<0,0001).
🔹 Zusammenhang mit dem Überleben: FaceAge ↑ → Risiko ↑:
- Alle Krebsarten zusammen: Erhöhung des Sterberisikos um 15 % (HR 1,151; P=0,013)
- Thorakale Tumoren in Lunge und Brustkorb: Erhöhung des Sterberisikos um 11 % (HR 1,117; P=0,021)
- Patienten in der Palliativversorgung: Erhöhung des Sterberisikos um 11 % (HR 1,117; P=0,021)
🔹 Klinischer Nutzen: In der Palliativversorgung stieg die Genauigkeit ärztlicher Vorhersagen des 6-Monats-Überlebens von 74 % auf 80 % . Das entspricht einer absoluten Verbesserung von 6 % (P<0,0001).
👉 Zusammengefasst: Ein älter wirkendes Gesicht ist bei Krebs mit einer schlechteren Prognose verbunden. Der FaceAge-Algorithmus erfasst dieses Signal biologischen Alterns und verbessert damit die ärztliche Überlebensvorhersage deutlich.
🧬 Molekulare Analyse
CDK6 (Cyclin-abhängige Kinase 6)ist ein Enzym, das den Zellzyklus reguliert und bei Zellvermehrung und Alterungsprozessen eine entscheidende Rolle spielt. In der Studie wurde ein umgekehrter Zusammenhang zwischen FaceAge und CDK6-Expression gefunden:
- Bei Patienten mit älter wirkendem Gesicht wurden niedrige CDK6-Spiegel festgestellt.
- Dieser Befund deutet auf eine Beschleunigung der zellulären Alterung hin.
Was bedeutet das?
- Das Gesichtsalter könnte nicht nur ein ästhetisches Merkmal, sondern auch ein molekularer Alterungsbiomarker sein.
- Chronologisches Alter → gibt die Zahl der Kalenderjahre an.
- Molekulares Alter → spiegelt wider, wie stark Zellen, Gene und Proteine „gealtert“ sind.
- FaceAge → kann die sichtbaren Zeichen dieses molekularen Alterns im Gesicht erfassen.
Die negative Korrelation zwischen dem von FaceAge geschätzten Gesichtsalter und den CDK6-Spiegelnzeigt somit, dass KI-basierte Gesichtsanalysen nicht nur klinisch, sondern auch biologisch und molekular bedeutsam sind.
📌 Überblick: Methodik und Wirkung
| Komponente | Zusammenfassung |
|---|---|
| Trainingsdaten | IMDb–Wiki mit 56.304 Bildern → technische Validierung mit UTKFace, 2.547 Bilder |
| Klinische Kohorte | Insgesamt 6.196 Krebspatienten; Referenz: 535 Personen ohne Krebs |
| Wichtigstes Ergebnis | Gesichtsalter ↑ → schlechteres Überleben; in der Palliativversorgung AUC 0,74 → 0,80 |
| Molekulare Befunde | Umgekehrter Zusammenhang mit CDK6; nach mehrfacher Adjustierung kein signifikanter Zusammenhang mit dem chronologischen Alter |
🔍 Klinische Bedeutung
- Objektivierung: Ergänzt den subjektiven ärztlichen Ersteindruck um eine standardisierte Messgröße .
- Bessere Stratifizierung: Liefert über verschiedene Krebsgruppen hinweg unabhängige prognostische Informationen.
- Entscheidungsunterstützung: Verbessert die Vorhersageleistung insbesondere bei der Planung palliativer Behandlungen.
⚠️ Einschränkungen und ethische Bedenken
- Verzerrungen der Trainingsdaten: Überwiegen prominenter Personen in IMDb–Wiki sowie mögliche kosmetische oder digitale Veränderungen.
- Übertragbarkeit: Eine Validierung in größeren und vielfältigeren klinischen Kohorten ist erforderlich.
- Missbrauchsrisiko: Eine unangemessene Nutzung des Gesichtsalters, etwa im Versicherungswesen, erfordert einen regulatorischen Rahmen .
📝 Fazit
FaceAge hat das Potenzial, aus einem leicht verfügbaren Gesichtsfoto einen klinisch bedeutsamen Biomarker zu gewinnen. Nach breiterer und multizentrischer Validierung könnte es sicher in Abläufe der klinischen Entscheidungsunterstützung integriert werden.
Quellen
Bontempi, Dennis et al.
The Lancet Digital Health, Volume 7, Issue 6, 100870
War dieser Artikel hilfreich?
Ihre Rückmeldung hilft uns, unsere Inhalte zu verbessern.
Leserkommentare
Kommentar verfassen
Ihr Name und Ihr Kommentar werden erst nach Freigabe durch die Administration veröffentlicht. Ihre E-Mail-Adresse wird Besuchern niemals angezeigt.
Schreiben Sie den ersten Kommentar.