FAHR-Face: Yüz Fotoğrafından Biyolojik Yaş ve Kanser Sağkalım Riskini Tahmin Eden Yapay Zekâ Modeli

FAHR-Face: Yüz Fotoğrafından Biyolojik Yaş ve Kanser Sağkalım Riskini Tahmin Eden Yapay Zekâ Modeli

2026 yılında The Lancet Digital Health dergisinde yayımlanan bir çalışma, yüz fotoğraflarının sağlık ve kanser prognozu için güçlü, invaziv olmayan bir biyobelirteç olabileceğini gösterdi. Mass General Brigham ve Harvard Medical School’dan Fridolin Haugg, Grace Lee, Hugo J.W.L. Aerts, Raymond H. Mak ve ekibi, FAHR-Face (Foundation Artificial Intelligence for Health Recognition-Face) adlı bir temel (foundation) model geliştirdi. Bu model, 40 milyondan fazla yüz fotoğrafı üzerinde eğitildi ve iki özel göreve ince ayar yapıldı: biyolojik yaş tahmini (FAHR-FaceAge) ve kanser hastalarında sağkalım riski tahmini (FAHR-FaceSurvival).

Temel Model Nasıl Çalışıyor?

FAHR-Face, klasik denetimli öğrenme yerine maskelenmiş otoenkoder (masked autoencoder) yöntemiyle kendi kendini denetleyen (self-supervised) bir yaklaşım kullanıyor. Model, WebFace42M veri setinden gelen 40 milyondan fazla etiketsiz yüz fotoğrafını öğreniyor. Görüntünün rastgele parçaları maskeleniyor ve model bu parçaları yeniden inşa etmeye çalışıyor. Bu sayede yüzün simetrisi, yapısal ilişkileri ve ince dokusal özellikler gibi yüksek düzeyde özellikler öğreniliyor.

Bu temel model daha sonra iki ayrı görev için ince ayarlanıyor:

• FAHR-FaceAge: Biyolojik yaş tahmini.
• FAHR-FaceSurvival: Kanser hastalarında ölüm riski tahmini.

FAHR-FaceAge: Biyolojik Yaş Tahmini

Model, önce sekiz halka açık veri seti (IMDB-WIKI, MORPH, AFAD vb.) üzerinde, ardından yaş dengeli iki veri seti (UTK ve AgeDB) üzerinde ince ayarlandı. Böylece 0–116 yaş aralığında dengeli performans hedeflendi.

Sonuçlar:

• Halka açık APPA-REAL veri setinde ortalama mutlak hata (MAE) 5,1 yıl olarak ölçüldü. Bu, rastgele başlatılmış Vision Transformer (ViT) modelinin 6,92 yıllık hatasından daha iyiydi.
• Model, farklı ırk gruplarında yüksek korelasyon gösterdi (Beyaz: 0,86; Siyah: 0,81; Asyalı: 0,86; Hispanik: 0,91).
• Klinik kohortta (Harvard-RT, 38.183 hasta) FAD (FAHR-FaceAge Deviation = tahmin edilen yaş − kronolojik yaş) hesaplandı. Medyan FAD 1,1 yıldı. Hastaların %33’ünde FAD ≥5 yıl, %17’sinde ≥10 yıl bulundu.

FAD, sağkalımla güçlü ilişki gösterdi:

• FAD her 10 yılda bir arttığında, düzeltilmiş hazard oranı (HR) 1,14 (p<0,0001) idi.
• FAD ≥5 yıl olan hastalarda ölüm riski %21 daha yüksekti (düzeltilmiş HR 1,21).
• FAD ≤−5 yıl (görünüşte daha genç) olanlarda risk %17 daha düşüktü.
• En yüksek FAD grubunda (>20 yıl) 90 günlük mortalite %21,3 iken, en düşük grupta (−10 yıl ve altı) %6,4’tü.

Önceki FaceAge modeliyle karşılaştırıldığında FAHR-FaceAge daha üstün performans sergiledi ve 60 yaş altı hastalar ile farklı ırk gruplarında da tutarlı sonuçlar verdi.

FAHR-FaceSurvival: Doğrudan Sağkalım Tahmini

Temel model, Harvard-RT veri setinin 34.363 fotoğrafı üzerinde sıralama tabanlı bir kayıp fonksiyonuyla ince ayarlandı. Test seti 3.820 hastadan oluşuyordu; bağımsız doğrulama ise Hollanda’daki Maastro-RT kohortunda (4.892 hasta) yapıldı.

Önemli bulgular:

• Model, hastaları risk skoruna göre ayırt edebildi. En yüksek risk çeyreğinde mortalite, en düşük çeyreğe göre 3,23 kat daha yüksekti (düzeltilmiş HR 3,23; p<0,0001).
• En yüksek risk grubunda (skor 0,9–1,0) hastaların %52,5’i fotoğraftan sonraki 90 gün içinde öldü; en düşük grupta bu oran yalnızca %2,1’di.
• Sürekli skor için her 0,1 birimlik artış, düzeltilmiş HR 1,17 ile ilişkilendirildi.
• C-indeksi genel olarak 0,72 bulundu (alt gruplarda 0,53–0,88 arası değişiyordu). Temel model olmadan eğitilen bir ViT modeli ise yalnızca 0,66 C-indeksi elde etti.

Model, yaş, cinsiyet, ırk ve kanser türü alt gruplarında da genellenebilirlik gösterdi. Metastatik hastalarda risk skoru anlamlı şekilde daha yüksekti.

İki Model Birbirini Tamamlıyor

Dikkat haritaları (attention maps) iki modelin yüzün farklı bölgelerine odaklandığını ortaya koydu:

• FAHR-FaceSurvival: Göz altı bölgesi ve burun köprüsü (Hipokrat’ın “ölüm yüzü” tanımlarına yakın alanlar).
• FAHR-FaceAge: Nazolabial kıvrımlar, alın ve temporal bölgeler (klasik yaşlanma işaretleri).

FAD ile FAHR-FaceSurvival skoru arasında düşük korelasyon vardı (R ≈ 0,16–0,22). İkisi birlikte kullanıldığında prognostik performans artıyordu.

Dayanıklılık Testleri

Model, plastik cerrahi (kaş, göz kapağı, yüz germe), makyaj, farklı aydınlatma, açı ve ifadeler karşısında büyük ölçüde stabil kaldı. Sadece burun düzeltmesi sonrası yaş tahmini ortalama 1,11 yıl arttı.

Klinik Anlamı ve Potansiyel Kullanım

Klinisyenler zaten hastanın “görünüşüne” bakarak genel durum hakkında fikir yürütür. FAHR-Face bu sezgiyi nicel, objektif ve tekrarlanabilir hale getiriyor. Özellikle:

• Kırılganlık değerlendirmesinin zor olduğu ortamlarda,
• Geleneksel biyobelirteçlerin eksik olduğu durumlarda,
• Yaşlı hastalarda agresif tedavi kararı verilirken

hızlı ve ucuz bir risk katmanlandırması sunabilir. Sigara, alkol ve madde kullanımı gibi yaşam tarzı faktörleri de FAD ile ilişkili bulundu; dolayısıyla müdahale takibinde de kullanılabilir.

Sınırlılıklar

• Çalışma yalnızca kanser (ve az sayıda benign) kohortlarında yapıldı; diğer hastalıklara genelleme henüz kanıtlanmadı.
• Veriler çoğunlukla yüksek gelirli ülkelerdeki merkezlerden geldi.
• Görüntü kalitesi, aydınlatma ve ifade hâlâ performans etkileyebilir.
• Irksal ve yaş gruplarında kalıntı yanlılık riski devam ediyor.
• Prospektif klinik deneylerle gerçek dünya faydasının kanıtlanması gerekiyor.

Sonuç

FAHR-Face, yüz fotoğraflarından hem biyolojik yaşlanmayı hem de hastalıkla ilişkili ölüm riskini ölçebilen ilk temel modeldir. Tek bir tüketici sınıfı fotoğrafla, görece küçük klinik veri setleriyle etkili ince ayar yapılabilmesi, yaklaşımın ölçeklenebilirliğini gösteriyor. Çalışma, “görünüş”ün objektif bir sağlık göstergesine dönüştürülebileceğini kanıtlıyor. Gelecekte standart klinik risk modelleriyle birlikte kullanılması, özellikle sınırlı kaynaklı ortamlarda prognostik değerlendirmeyi güçlendirebilir.

Kaynak: Haugg F, Lee G, He J, et al. Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study. Lancet Digit Health 2026.