BOSTON / LONDON (IT BOLTWISE) – Ein neues KI-Foundation-Modell namens FAHR-Face nutzt Gesichtsfotos, um biologisches Alter und Sterberisiko bei Krebspatienten abzuleiten. Trainiert wurde es mit mehr als 40 Millionen unbeschrifteten Bildern und anschließend auf zwei Aufgaben feinjustiert: FAHR-FaceAge für die Altersabschätzung und FAHR-FaceSurvival für Prognosen. In zwei unabhängigen Patientenkohorten zeigt sich ein deutliches Risiko-Gefälle zwischen höchsten und niedrigsten Risikogruppen. Entscheidend ist dabei, dass die Modelle auf vergleichsweise kleinen klinischen Datensätzen effektiv trainierbar bleiben.
Die Idee klingt auf den ersten Blick fast zu einfach: Ein einzelnes Gesichtsfoto soll medizinische Informationen tragen, die bisher nur mit aufwendigeren Untersuchungen greifbar waren. Genau an dieser Stelle setzt die Studie FAHR-Face an, die ein Foundation-Model für Health Recognition aus Bildern entwickelt und validiert. Hinter dem Ansatz steht die technische Annahme, dass das Gesicht nicht nur „Eindruck“ vermittelt, sondern durch wiederkehrende physiologische Veränderungen auch messbare Muster enthält. Die Forschenden trainieren dafür ein gemeinsames Basismodell und bauen darauf zwei spezialisierte Ausprägungen auf, statt für jede Aufgabe von Null zu beginnen.
FAHR-Face besteht aus einem zweistufigen Pipeline-Design: Zuerst wird das Foundation-Modell per Self-Supervised Learning auf mehr als 40 Millionen unlabelled Bildern aus WebFace42M vortrainiert, und zwar mit einem Masked-Autoencoder-Ansatz, der Bildpatches zufällig ausblendet und die fehlenden Informationen rekonstruiert. Diese Vortrainingsstrategie zwingt das Modell, die räumlichen Abhängigkeiten im Gesicht ganzheitlich zu verstehen – ohne dass dafür Labels wie „Krankheit“ oder „biologisches Alter“ nötig wären. Danach fine-tunen die Autorinnen und Autoren zwei getrennte Modelle: FAHR-FaceAge für die Schätzung biologischen Alters und FAHR-FaceSurvival für die Prognose der Überlebenswahrscheinlichkeit. Für FAHR-FaceAge erfolgt dabei eine altersbalancierte Feinjustierung in zwei Phasen, während FAHR-FaceSurvival auf 34.363 Fotografien von Krebspatienten aufsetzt und mit einer rankingbasierten Loss-Funktion auf Überlebensziele optimiert wird.
Die Ergebnisse zeigen dann, wie stark die Repräsentationen aus dem Foundation-Training auf klinische Ziele „übersetzen“. Für das reine Age-Head-Modell berichtet die Studie auf öffentlichen Daten einen niedrigsten mittleren absoluten Fehler von 5,7 Jahren für FAHR-FaceAge und damit eine bessere Performance als ein Benchmark mit einer ViT-Architektur, die nur aus Zufallsinitialisierung trainiert wurde (dort liegt der Fehler bei 6,92 Jahren). Besonders relevant ist die robuste Generalisierbarkeit: Die Altersgenauigkeit bleibt über den gesamten Lebensbereich sowie über demografische Untergruppen erhalten. In einer klinischen Kohorte mit 38.183 Krebspatienten wird zudem eine biologische Abweichungsmetrik verwendet, FAD, die als Differenz zwischen vorhergesagtem biologischem Alter und chronologischem Alter definiert ist. Dort liegt der Median von FAD bei 1,1 Jahren; etwa 33,6% der Patientinnen und Patienten haben eine Abweichung von mindestens 5 Jahren, was im Datensatz sichtbar mit schlechteren Überlebenswahrscheinlichkeiten korreliert.
Bei der Überlebensprognose macht die Studie den größten Schritt von „Schätzen“ zu „Risikostratifizieren“. Das Modell FAHR-FaceSurvival wird in der internen Testkohorte von 3.820 Patienten evaluiert und anschließend extern in einer unabhängigen Validierung mit 4.892 Patientinnen und Patienten aus Maastro-RT überprüft. Die Hazard-Ratio-Logik aus den Cox-Modellen liefert dabei ein klares Bild: In der höchsten Risikoklasse ist die Sterblichkeit mehr als dreifach gegenüber der niedrigsten Risikogruppe, angegeben als adjustierte Hazard Ratio von 3,23 bei p< 0,0001. Zusätzlich differenziert das Modell auch auf frühe Ereignisse aus: In der höchsten FAHR-FaceSurvival-Gruppe sterben innerhalb von 90 Tagen 52,5% der 122 Patienten, während es in der niedrigsten Gruppe 2,1% von 975 Patienten sind. Dass die Kombination aus FAD und FAHR-FaceSurvival im multivariaten Kontext weiterhin eigenständige Prognosewerte liefert, unterstreicht: Es geht nicht nur um eine einzige „biologische Zahl“, sondern um komplementäre Informationsanteile aus derselben Bildquelle.
Technisch und methodisch stützt die Studie diese Unabhängigkeit auf zwei Ebenen. Erstens zeigen Attention-Maps, dass die beiden Heads unterschiedliche Gesichtszonen priorisieren: FAHR-FaceSurvival fokussiert Bereiche unterhalb der Augen und den Nasenrücken, während FAHR-FaceAge stärker die Nasolabialfalten sowie temporale Strukturen und die Stirn betont. Zweitens wird die Abhängigkeit quantifiziert, unter anderem über niedrige Korrelationen zwischen FAD und FAHR-FaceSurvival und eine geringe Feature-Overlap-Metrik in der Validierungsgruppe. Ergänzend testen die Autorinnen und Autoren Robustheit gegen praktische Variationen wie kosmetische Eingriffe, Make-up, Pose und Beleuchtung – mit dem Ergebnis, dass die Altersabschätzung unter vielen Störfaktoren stabil bleibt. Das ist aus Implementierungssicht entscheidend, weil medizinische Foto-Workflows in Kliniken selten identische Aufnahmebedingungen bieten.
Für den Markt- und Anwendungsdruck bedeutet das: Ein Foundation-Model kann potenziell die bisherige Lücke zwischen datenintensiven Vision-Ansätzen und den begrenzten Mengen klinischer Labels verkleinern. Statt große, komplett annotierte Datenbestände je Zielvariable zu benötigen, erlaubt der gemeinsame Backbone-Ansatz, mit vergleichsweise kleineren klinischen Datensätzen spezialisierte Köpfe zu trainieren. Gleichzeitig bleibt die Studie nicht blind für Hürden: Die Kohorten stammen überwiegend aus Krebsfällen in Zentren mit hohem Versorgungsniveau, sodass sich die Übertragbarkeit auf andere Krankheiten, Regionen und unterrepräsentierte Gruppen nicht automatisch ergibt. Dazu kommen praktische Anforderungen an standardisierte Fotoaufnahme, weil Beleuchtung, Ausdruck und Bildqualität die Fehlertoleranz beeinflussen können. In der Diskussion werden außerdem die Notwendigkeit weiterer prospektiver Studien und eine saubere Governance für die Integration solcher Modelle in Prognose-Workflows betont.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "FAHR-Face: KI erkennt biologisches Alter und Krebsrisiko aus Fotos" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "FAHR-Face: KI erkennt biologisches Alter und Krebsrisiko aus Fotos" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »FAHR-Face: KI erkennt biologisches Alter und Krebsrisiko aus Fotos« bei Google Deutschland suchen, bei Bing oder Google News!