Ein Blick ins Gesicht: Wie FAHR-Face Sterblichkeitsrisiken vorhersagt, wenn Biomarker fehlen
Ein auf 40 Millionen Gesichtsfotos trainiertes KI-Modell schätzt biologisches Alter und Sterblichkeitsrisiko bei Krebspatienten – eine Einordnung für die Praxis.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Ein Gesichtsfoto verrät mehr als Mimik. Hautbeschaffenheit, Gewebetonus, Fettverteilung und feine Alterungsmerkmale spiegeln biologische Prozesse wider, die mit Morbidität und Mortalität zusammenhängen. Eine aktuelle Arbeit in The Lancet Digital Health macht sich das systematisch zunutze und stellt ein Modell vor, das allein aus Gesichtsfotos Sterblichkeitsrisiken bei Krebspatienten abschätzt – mit einer Genauigkeit, die aufhorchen lässt (doi.org/10.1016/j.landig.2026.101056).
Ein Foundation-Modell für zwei klinische Fragestellungen
Das Modell heißt FAHR-Face (Foundation Artificial Intelligence for Health Recognition-Face) und wurde auf mehr als 40 Millionen Gesichtsfotografien trainiert. Aus diesem breiten Foundation-Modell leiteten die Autorinnen und Autoren zwei spezialisierte Varianten ab:
- FAHR-FaceAge schätzt das biologische Alter anhand von Gesichtsmerkmalen.
- FAHR-FaceSurvival sagt die Überlebenswahrscheinlichkeit bei Krebspatienten voraus und wurde dafür auf 34.363 Patientenfotos feinabgestimmt.
Das Prinzip ist typisch für Foundation-Modelle: Eine breite, datenreiche Basis ermöglicht es, mit vergleichsweise kleinen klinischen Datensätzen präzise Spezialaufgaben zu lösen – ein Vorteil gerade in der Onkologie, wo große, gut annotierte Bilddatensätze rar sind.
Robustheit und methodische Sorgfalt
Bemerkenswert ist der Aufwand, mit dem die Autoren die Belastbarkeit des Modells geprüft haben. Sie testeten die Robustheit gegenüber kosmetischen Eingriffen, Make-up, Kopfhaltung und Lichtverhältnissen – Faktoren, die in der klinischen Alltagsrealität unvermeidlich sind. Zusätzlich wurde mittels Attention-Mapping untersucht, worauf sich das Modell bei seiner Einschätzung tatsächlich stützt, um eine Unabhängigkeit von irrelevanten Bildmerkmalen sicherzustellen. Diese Transparenzbemühungen sind für ein bildbasiertes Prognosemodell keine Selbstverständlichkeit und erhöhen die Glaubwürdigkeit der Ergebnisse.
Was die Ergebnisse zeigen
Bei der Altersschätzung erreichte FAHR-FaceAge über zehn öffentliche Bilddatensätze hinweg einen mittleren absoluten Fehler von 5,1 Jahren und übertraf damit bestehende Vergleichsmodelle – mit stabiler Genauigkeit über die gesamte Lebensspanne hinweg. Entscheidender für die klinische Praxis ist jedoch der zweite Befund: In zwei unabhängigen Krebspatienten-Kohorten zeigte FAHR-FaceSurvival eine robuste Vorhersage der Mortalität. Patientinnen und Patienten im höchsten Risikoquartil hatten ein mehr als dreifach erhöhtes Sterberisiko gegenüber dem niedrigsten Quartil (adjustierte Hazard Ratio 3,23) – und das nach Adjustierung für etablierte klinische Prognosefaktoren mittels multivariater Cox-Modelle. Auch FAHR-FaceAge zeigte sich dem Vorgängermodell bei der Überlebensprognostik überlegen.
Einordnung für Onkologie- und Hausarztpraxis
Für die Praxis ist der entscheidende Satz der Autoren selbst: Routinemäßige quantitative Gesichtsanalyse könnte die Risikostratifizierung dort verbessern, wo klassische Biomarker fehlen. Das betrifft insbesondere Settings mit eingeschränktem Zugang zu Labordiagnostik, Bildgebung oder molekularer Testung – sei es aus Ressourcengründen oder weil ein Patient sich noch in einer frühen Abklärungsphase befindet. Ein Gesichtsfoto ist nicht-invasiv, kostengünstig und sofort verfügbar. Das macht den Ansatz grundsätzlich attraktiv für die Triage in der Onkologie, aber potenziell auch für geriatrische Einschätzungen in der Hausarztpraxis, wo biologisches Alter oft aussagekräftiger ist als das kalendarische.
Gleichzeitig sollten Sie den Reifegrad realistisch einschätzen. Es handelt sich um eine publizierte Validierungsstudie – nicht um ein zertifiziertes Medizinprodukt. Für den Einsatz in Deutschland wären eine CE-Kennzeichnung nach MDR, eine Validierung an europäischen beziehungsweise deutschen Patientenkollektiven sowie eine datenschutzkonforme Verarbeitung von Gesichtsbildern nach DSGVO zwingende Voraussetzungen. Gesichtsfotos gelten als besonders sensible biometrische Daten; ihre Verarbeitung erfordert eine sorgfältige Rechtsgrundlage und Aufklärung der Patienten. Zudem bleibt offen, wie gut das Modell auf Populationen außerhalb der Trainings- und Testdatensätze generalisiert – ethnische Diversität, Hauttypen und Bildqualität in der Alltagspraxis können Einfluss auf die Vorhersagegüte haben.
Fazit
FAHR-Face zeigt eindrucksvoll, welches Potenzial in Foundation-Modellen steckt, wenn sie auf spezifische klinische Fragestellungen zugeschnitten werden. Die Kombination aus biologischer Altersschätzung und Mortalitätsprognose aus einem einzigen, einfach zu erhebenden Datentyp ist methodisch überzeugend demonstriert. Für den unmittelbaren klinischen Einsatz in deutschen Praxen ist es noch zu früh – aber als Entwicklungslinie lohnt es sich, diesen Ansatz im Blick zu behalten, insbesondere für die Risikostratifizierung in Situationen, in denen etablierte Biomarker fehlen oder (noch) nicht verfügbar sind.