Θα μπορούσε μια απλή φωτογραφία του προσώπου να κρύβει πληροφορίες που ούτε εμείς οι ίδιοι γνωρίζουμε για την υγεία μας; Αμερικανοί επιστήμονες εκπαίδευσαν ένα σύστημα τεχνητής νοημοσύνης με περισσότερες από 40 εκατομμύρια εικόνες και ανακάλυψαν ότι ορισμένα χαρακτηριστικά του προσώπου συνδέονται με την επιβίωση ασθενών με καρκίνο. Το πιο εντυπωσιακό εύρημα: στην ομάδα που η τεχνητή νοημοσύνη κατέταξε ως υψηλότερου κινδύνου, ο σχετικός κίνδυνος θανάτου ήταν υπερτριπλάσιος συγκριτικά με την ομάδα χαμηλότερου κινδύνου. Αλλά τι ακριβώς «βλέπει» ένας αλγόριθμος στο ανθρώπινο πρόσωπο;
Επιστημονική μελέτη: 19 Οκτωβρίου 2026 • The Lancet Digital Health • Διεθνής ειδησεογραφική κάλυψη: 19–22 Οκτωβρίου 2026
Το ανθρώπινο πρόσωπο κρύβει περισσότερες πληροφορίες από όσες πιστεύαμε;
Για αιώνες, οι γιατροί παρατηρούν το πρόσωπο ενός ασθενούς αναζητώντας σημάδια που μπορεί να συνδέονται με τη γενική του κατάσταση.
Η ωχρότητα, η απώλεια βάρους, η καταβολή, η κόπωση και άλλες μεταβολές στην εξωτερική εμφάνιση μπορούν μερικές φορές να προσφέρουν χρήσιμες πληροφορίες κατά την κλινική εξέταση.
Τώρα, όμως, οι επιστήμονες επιχειρούν κάτι πολύ πιο φιλόδοξο.
Να μετατρέψουν την εικόνα του προσώπου σε έναν μετρήσιμο ψηφιακό δείκτη υγείας.
Ερευνητές του Mass General Brigham και της Ιατρικής Σχολής του Χάρβαρντ ανέπτυξαν ένα προηγμένο σύστημα τεχνητής νοημοσύνης με την ονομασία FAHR-Face.
Η τεχνολογία εξετάστηκε ως πιθανό εργαλείο εκτίμησης της ηλικίας που αντανακλά η εμφάνιση ενός ανθρώπου, αλλά και του στατιστικού κινδύνου θανάτου σε ασθενείς με καρκίνο.
Η σχετική μελέτη δημοσιεύθηκε στις 19 Οκτωβρίου 2026 στο επιστημονικό περιοδικό The Lancet Digital Health.
Το ερευνητικό εύρημα προκάλεσε διεθνές ενδιαφέρον επειδή αξιοποιεί μια εξαιρετικά απλή πληροφορία: μία φωτογραφία προσώπου.
Περισσότερες από 40 εκατομμύρια φωτογραφίες: Πώς εκπαιδεύτηκε το σύστημα
Η ερευνητική ομάδα χρησιμοποίησε μια τεχνική μηχανικής μάθησης που επιτρέπει στους αλγορίθμους να αναγνωρίζουν πολύπλοκα οπτικά μοτίβα.
Η αρχική εκπαίδευση βασίστηκε σε περισσότερες από 40 εκατομμύρια φωτογραφίες ανθρώπινων προσώπων.
Σκοπός δεν ήταν να απομνημονεύσει ο υπολογιστής πρόσωπα ή να αναγνωρίζει την ταυτότητα συγκεκριμένων ανθρώπων.
Το μοντέλο εκπαιδεύτηκε ώστε να μαθαίνει γενικά οπτικά χαρακτηριστικά του προσώπου, τα οποία μπορούν στη συνέχεια να αξιοποιηθούν για διαφορετικές ερευνητικές εργασίες.
Από το βασικό σύστημα αναπτύχθηκαν δύο διαφορετικά εργαλεία:
FAHR-FaceAge
Εκτιμά την ηλικία που αντανακλούν τα χαρακτηριστικά του προσώπου και εξετάζει τη σχέση της με τη γενική υγεία.
FAHR-FaceSurvival
Αναλύει φωτογραφίες ασθενών με καρκίνο και κατατάσσει τους ασθενείς σε ομάδες διαφορετικού στατιστικού κινδύνου θανάτου.
Το ενδιαφέρον είναι ότι τα δύο εργαλεία δεν λειτουργούν με τον ίδιο ακριβώς τρόπο.
Το πρώτο προσπαθεί να εκτιμήσει χαρακτηριστικά της εξωτερικής γήρανσης, ενώ το δεύτερο εκπαιδεύτηκε απευθείας με κλινικά δεδομένα επιβίωσης.
Αυτό σημαίνει ότι ένα πρόσωπο μπορεί να περιέχει διαφορετικά οπτικά μοτίβα που σχετίζονται με διαφορετικές πλευρές της υγείας.
Η ανακάλυψη που προκάλεσε αίσθηση: Τριπλάσιος κίνδυνος θανάτου
Για να εξετάσουν τη δυνατότητα του συστήματος να εκτιμά την επιβίωση, οι επιστήμονες το προσάρμοσαν χρησιμοποιώντας 34.363 φωτογραφίες ασθενών με καρκίνο.
Στη συνέχεια, αξιολόγησαν την απόδοσή του σε ανεξάρτητες ομάδες ασθενών.
Το σημαντικότερο εύρημα αφορούσε το εργαλείο FAHR-FaceSurvival.
Οι ασθενείς που κατατάχθηκαν στο υψηλότερο τέταρτο της βαθμολογίας κινδύνου παρουσίασαν 3,23 φορές υψηλότερο προσαρμοσμένο σχετικό κίνδυνο θανάτου συγκριτικά με εκείνους στο χαμηλότερο τέταρτο.
ΤΟ ΚΕΝΤΡΙΚΟ ΕΥΡΗΜΑ ΤΗΣ ΜΕΛΕΤΗΣ
3,23 φορές
Υψηλότερος σχετικός κίνδυνος θανάτου
Στους ασθενείς που το σύστημα κατέταξε στην υψηλότερη ομάδα κινδύνου, σε σύγκριση με τη χαμηλότερη.
Προσαρμοσμένος λόγος κινδύνου (hazard ratio) 3,23. Δεν αποτελεί πρόβλεψη της ημερομηνίας θανάτου ούτε ατομικό ποσοστό πιθανότητας.Η διαφορά παρέμεινε στατιστικά σημαντική ακόμη και μετά την προσαρμογή για ορισμένους γνωστούς κλινικούς παράγοντες.
Επιπλέον, η συσχέτιση επιβεβαιώθηκε σε ανεξάρτητη ομάδα ασθενών, γεγονός που ενισχύει την αξιοπιστία της παρατήρησης.
Η μεγάλη έκπληξη είναι ότι οι σχετικές πληροφορίες προέρχονταν αποκλειστικά από χαρακτηριστικά του προσώπου.
Ωστόσο, υπάρχει μία εξαιρετικά σημαντική διάκριση.
Το 3,23 δεν σημαίνει ότι ένας άνθρωπος έχει 323% πιθανότητα να πεθάνει.
Πρόκειται για έναν σχετικό δείκτη κινδύνου, που συγκρίνει δύο ομάδες ασθενών κατά τη διάρκεια της παρακολούθησης.
Δεν επιτρέπει στον αλγόριθμο να γνωρίζει εάν ή πότε θα πεθάνει ένα συγκεκριμένο άτομο.
Πόσους ασθενείς εξέτασαν οι ερευνητές;
Η ανάπτυξη και αξιολόγηση του συστήματος πραγματοποιήθηκε σε περισσότερα από ένα σύνολα δεδομένων.
Στάδιο | Δεδομένα |
|---|---|
Αρχική εκπαίδευση FAHR-Face | Πάνω από 40 εκατομμύρια φωτογραφίες |
Προσαρμογή FAHR-FaceSurvival | 34.363 φωτογραφίες ασθενών με καρκίνο |
Ανεξάρτητη δοκιμή στις ΗΠΑ | 3.820 ασθενείς |
Εξωτερική επικύρωση στην Ολλανδία | 4.892 ασθενείς |
Η αξιολόγηση σε διαφορετικές ομάδες αποτελεί σημαντικό πλεονέκτημα έναντι μικρών μελετών τεχνητής νοημοσύνης που δοκιμάζουν ένα μοντέλο μόνο στα δεδομένα με τα οποία αναπτύχθηκε.
Παρ' όλα αυτά, οι συγκεκριμένοι ασθενείς είχαν ήδη καρκίνο και προέρχονταν κυρίως από πληθυσμούς που υποβάλλονταν σε ακτινοθεραπεία.
Η τεχνολογία δεν έχει ελεγχθεί με τον ίδιο τρόπο σε ολόκληρο τον γενικό πληθυσμό.
Το πιο ανατριχιαστικό ερώτημα: Ποια σημεία του προσώπου «διαβάζει» η τεχνητή νοημοσύνη;
Οι επιστήμονες επιχείρησαν να κατανοήσουν ποια σημεία της φωτογραφίας επηρέαζαν περισσότερο τις αποφάσεις του μοντέλου.
Χρησιμοποίησαν ειδικές τεχνικές οπτικής ερμηνείας, με τις οποίες αναδεικνύονται οι περιοχές όπου ο αλγόριθμος δίνει μεγαλύτερη προσοχή.
Τα αποτελέσματα έδειξαν δύο διαφορετικά μοτίβα.
Τα σημεία που συνδέθηκαν με την εκτίμηση ηλικίας
Το μοντέλο FAHR-FaceAge έδινε ιδιαίτερη σημασία:
Στις ρινοπαρειακές πτυχές, δηλαδή τις γραμμές ανάμεσα στη μύτη και το στόμα.
Στο μέτωπο.
Στους κροτάφους και στις γύρω περιοχές.
Τα σημεία που συνδέθηκαν με την εκτίμηση επιβίωσης
Το μοντέλο FAHR-FaceSurvival έδινε μεγαλύτερη βαρύτητα:
Στην περιοχή κάτω από τα μάτια.
Στη ράχη της μύτης.
Σε επιλεγμένα μοτίβα του κεντρικού τμήματος του προσώπου.
Οι ερευνητές θεωρούν ότι αυτά τα χαρακτηριστικά μπορεί να περιλαμβάνουν πληροφορίες που σχετίζονται με τη γενική κατάσταση, την εξασθένηση ή άλλες σωματικές μεταβολές.
Δεν αποδείχθηκε όμως ότι μια συγκεκριμένη ρυτίδα, ένα βαθούλωμα ή ένας μαύρος κύκλος σημαίνει αυξημένο κίνδυνο θανάτου.
Ο αλγόριθμος αξιολογεί σύνθετους συνδυασμούς χαρακτηριστικών και όχι μεμονωμένα σημάδια που μπορούν να ερμηνευθούν με γυμνό μάτι.
Βιολογική ηλικία: Γιατί δύο άνθρωποι 60 ετών μπορεί να φαίνονται τόσο διαφορετικοί;
Ένα από τα πιο ενδιαφέροντα στοιχεία της μελέτης αφορά τη διάκριση ανάμεσα στη χρονολογική και τη βιολογική ηλικία.
Η χρονολογική ηλικία είναι ο αριθμός των ετών που έχουν περάσει από τη γέννησή μας.
Η βιολογική ηλικία περιγράφει την κατάσταση και τις μεταβολές του οργανισμού μας σε σχέση με τη γήρανση.
Δύο άνθρωποι που έχουν γεννηθεί την ίδια χρονιά μπορεί να διαφέρουν σημαντικά ως προς τη φυσική κατάσταση, τη μυϊκή δύναμη, τις χρόνιες ασθένειες και την ικανότητα ανάρρωσης.
Το FAHR-FaceAge επιχειρεί να εκτιμήσει από το πρόσωπο ένα χαρακτηριστικό που σχετίζεται με αυτή τη διαδικασία.
Κατά τις δοκιμές σε γενικά σύνολα φωτογραφιών, το μοντέλο παρουσίασε μέσο απόλυτο σφάλμα περίπου 5,1 ετών στην εκτίμηση ηλικίας.
Σε ασθενείς με καρκίνο, η απόκλιση ανάμεσα στην εκτιμώμενη ηλικία του προσώπου και στην πραγματική ηλικία συνδέθηκε με την επιβίωση.
Ωστόσο, η ηλικία που υπολογίζει το μοντέλο είναι πρωτίστως μια εκτίμηση από την εμφάνιση. Δεν αποτελεί άμεση μέτρηση της κυτταρικής ή επιγενετικής ηλικίας.
Στο therapeftis.eu έχουμε αναλύσει τη διαφορά μεταξύ πραγματικής και βιολογικής ηλικίας στο άρθρο «Longevity: Πώς να ζήσουμε περισσότερα χρόνια με υγεία – Τι δείχνει η επιστήμη».
Εκεί εξηγούμε γιατί οι ερευνητές μελετούν διαφορετικούς δείκτες γήρανσης, από τις πρωτεΐνες του αίματος έως τα επιγενετικά ρολόγια.
Μπορεί μια φωτογραφία να αποκαλύψει ότι κάποιος καπνίζει;
Ένα ακόμη ενδιαφέρον εύρημα προέκυψε από τη διερεύνηση παραγόντων του τρόπου ζωής.
Οι ερευνητές παρατήρησαν συσχετίσεις ανάμεσα στην εκτιμώμενη ηλικία του προσώπου και σε συνήθειες όπως:
Το κάπνισμα.
Η υψηλή κατανάλωση αλκοόλ.
Η χρήση ουσιών.
Το κάπνισμα παρουσίασε ιδιαίτερα εμφανή σχέση με την εκτιμώμενη γήρανση του προσώπου.
Συνολικά, οι ενεργοί καπνιστές έτειναν να εμφανίζουν μεγαλύτερη εκτιμώμενη ηλικία προσώπου από τους πρώην καπνιστές, ενώ οι άνθρωποι που δεν είχαν καπνίσει παρουσίαζαν ευνοϊκότερο μοτίβο.
Η εξήγηση πιθανότατα σχετίζεται με πολλαπλούς μηχανισμούς.
Το κάπνισμα συνδέεται με οξειδωτικό στρες, βλάβες στο κολλαγόνο, μεταβολές στη μικροκυκλοφορία και πρόωρη γήρανση του δέρματος.
Δεν σημαίνει, όμως, ότι το σύστημα μπορεί να αποκαλύψει αξιόπιστα τις συνήθειες κάθε ατόμου απλώς εξετάζοντας μία selfie.
Πρόκειται για πληθυσμιακές συσχετίσεις, όχι για τεστ που εξακριβώνει προσωπικές συμπεριφορές.
Ένα χαμόγελο, διαφορετικός φωτισμός ή μακιγιάζ: Αλλάζει το αποτέλεσμα;
Εδώ η νέα έρευνα παρουσιάζει ένα ακόμη ενδιαφέρον στοιχείο.
Οι επιστήμονες δοκίμασαν το μοντέλο σε φωτογραφίες με διαφορές ως προς:
Τον φωτισμό.
Τη γωνία λήψης.
Την έκφραση του προσώπου.
Το μακιγιάζ.
Ορισμένες αισθητικές χειρουργικές παρεμβάσεις.
Η απόδοση του FAHR-FaceAge παρουσίασε σχετική σταθερότητα στις περισσότερες από τις εξεταζόμενες συνθήκες.
Αυτό έχει πρακτική σημασία, διότι μια μελλοντική ιατρική εφαρμογή δεν θα μπορούσε να εξαρτάται υπερβολικά από το αν ο ασθενής φωτογραφήθηκε χαμογελώντας ή από το αν το δωμάτιο είχε λίγο περισσότερο φως.
Ωστόσο, ανεξάρτητοι επιστήμονες υπογράμμισαν ότι ακόμη και αλλαγές στο χαμόγελο ή στον φωτισμό επηρέαζαν κατά μέσο όρο την εκτίμηση ηλικίας κατά περίπου δύο χρόνια, με μεγαλύτερες αποκλίσεις σε ορισμένα περιστατικά.
Άρα η τεχνολογία δεν μπορεί ακόμη να χρησιμοποιηθεί για αξιόπιστη καθημερινή παρακολούθηση της βιολογικής γήρανσης ενός ανθρώπου.
Πώς θα μπορούσε να βοηθήσει τους ογκολόγους;
Η αντιμετώπιση του καρκίνου απαιτεί συχνά δύσκολες αποφάσεις.
Ένας γιατρός μπορεί να χρειάζεται να επιλέξει ανάμεσα σε διαφορετικές θεραπείες, λαμβάνοντας υπόψη όχι μόνο τον τύπο και το στάδιο του καρκίνου, αλλά και τη γενική κατάσταση του ασθενούς.
Για παράδειγμα, δύο άνθρωποι της ίδιας ηλικίας και με την ίδια διάγνωση ενδέχεται να διαφέρουν σημαντικά ως προς:
Τη μυϊκή μάζα και τη σωματική δύναμη.
Τη διατροφική κατάσταση.
Τις συνοδές ασθένειες.
Την ικανότητα αυτοεξυπηρέτησης.
Τη λειτουργική εφεδρεία του οργανισμού.
Αυτοί οι παράγοντες μπορούν να επηρεάσουν την αντοχή σε απαιτητικές θεραπείες, όπως η χημειοθεραπεία, η ακτινοθεραπεία και ορισμένες χειρουργικές επεμβάσεις.
Οι δημιουργοί του FAHR-Face ελπίζουν ότι, στο μέλλον, η ανάλυση μιας φωτογραφίας ίσως προσφέρει συμπληρωματικές πληροφορίες κατά την αξιολόγηση της γενικής κατάστασης ενός ασθενούς.
Ο στόχος δεν είναι να αντικαταστήσει ο αλγόριθμος τον ογκολόγο, αλλά ενδεχομένως να υποστηρίζει την εξατομικευμένη εκτίμηση κινδύνου.
Αυτή η χρησιμότητα παραμένει προς απόδειξη.
Η έρευνα εντάσσεται σε μια ευρύτερη τάση αξιοποίησης της τεχνητής νοημοσύνης στην ογκολογία.
Για παράδειγμα, στο therapeftis.eu έχουμε παρουσιάσει πώς η τεχνητή νοημοσύνη στη μαστογραφία ερευνάται για την αναγνώριση ύποπτων αλλαγών αρκετά χρόνια πριν από τη διάγνωση του καρκίνου του μαστού.
Πρόκειται όμως για διαφορετική εφαρμογή: η μία εξετάζει απεικονιστικά στοιχεία που μπορεί να σχετίζονται με τη μελλοντική εμφάνιση καρκίνου, ενώ η FAHR-FaceSurvival αφορά την εκτίμηση κινδύνου σε ανθρώπους που ήδη έχουν καρκίνο.
Μπορεί η τεχνητή νοημοσύνη να διαγνώσει καρκίνο από μια selfie;
Όχι. Και αυτή είναι ίσως η σημαντικότερη διευκρίνιση της έρευνας.
Το FAHR-FaceSurvival δεν σχεδιάστηκε για να απαντά στο ερώτημα εάν ένας υγιής άνθρωπος έχει καρκίνο.
Η συγκεκριμένη μελέτη δεν απέδειξε ότι το εργαλείο μπορεί να εντοπίσει καρκίνο σε ανθρώπους χωρίς συμπτώματα ή χωρίς προηγούμενη διάγνωση.
Δεν μπορεί να αντικαταστήσει:
Τις κατάλληλες απεικονιστικές εξετάσεις.
Τις βιοψίες.
Τους εργαστηριακούς ελέγχους.
Τις ιατρικές και ογκολογικές εκτιμήσεις.
Το ίδιο ισχύει και για άλλες πειραματικές μεθόδους ανίχνευσης καρκίνου.
Χαρακτηριστικό παράδειγμα αποτελεί το άρθρο μας «Μπορούν οι σκύλοι να “μυρίσουν” τον καρκίνο; Η τεχνητή νοημοσύνη μπαίνει τώρα στο παιχνίδι».
Εκεί εξετάζουμε πώς ερευνητικά συστήματα μπορούν να αναζητούν βιολογικά σημάδια μέσα από την οσμή, αλλά και γιατί τα πειραματικά αποτελέσματα δεν ισοδυναμούν με αξιόπιστη κλινική διάγνωση.
Η σύγκριση με τις εξετάσεις αίματος: Μια νέα εποχή βιοδεικτών;
Οι γιατροί χρησιμοποιούν ήδη διαφορετικούς βιοδείκτες για να εκτιμήσουν τη συμπεριφορά μιας νόσου ή την ανταπόκριση σε θεραπεία.
Στην ογκολογία, ιδιαίτερο ενδιαφέρον παρουσιάζει το κυκλοφορούν καρκινικό DNA (ctDNA), το οποίο μπορεί να δώσει πληροφορίες για τη βιολογία ενός όγκου.
Σε σχετικό άρθρο του therapeftis.eu έχουμε παρουσιάσει την εξέταση αίματος που ερευνάται για την πρόβλεψη της ανταπόκρισης στη θεραπεία του καρκίνου του μαστού.
Η νέα τεχνολογία φωτογραφικής ανάλυσης ακολουθεί διαφορετική λογική.
Αντί να μετρά μόρια στο αίμα, αναζητά στατιστικά μοτίβα στην εικόνα του προσώπου.
Εάν αποδειχθεί στο μέλλον χρήσιμη, θα μπορούσε να αποτελεί ένα επιπλέον, μη επεμβατικό εργαλείο.
Δεν μπορεί όμως να αντικαταστήσει τη μοριακή ανάλυση ούτε να παρέχει τις ίδιες πληροφορίες για τα χαρακτηριστικά ενός όγκου.
Τι λένε οι ανεξάρτητοι επιστήμονες; Τα σημαντικά ερωτήματα
Παρά τον ενθουσιασμό, η επιστημονική κοινότητα επισημαίνει ορισμένους ουσιαστικούς περιορισμούς.
Ο καθηγητής Miroslaw Bober, ειδικός στην τεχνητή νοημοσύνη από το Πανεπιστήμιο του Surrey, αναγνώρισε την αξία της ανεξάρτητης αξιολόγησης των αποτελεσμάτων στην Ολλανδία.
Παράλληλα, όμως, υπογράμμισε ένα θεμελιώδες ζήτημα:
Δεν έχει αποδειχθεί ότι το σύστημα προσφέρει κλινικά χρήσιμες πληροφορίες πέρα από όσα μπορεί ήδη να διαπιστώσει ένας έμπειρος γιατρός κατά την αξιολόγηση της γενικής κατάστασης του ασθενούς.
Η μελέτη δεν πραγματοποίησε την απαραίτητη άμεση σύγκριση με όλες τις καθιερωμένες μεθόδους αξιολόγησης σωματικής λειτουργικότητας και ευπάθειας.
Επιπλέον, μια σύνδεση ανάμεσα στην εμφάνιση και στην επιβίωση δεν εξηγεί απαραίτητα γιατί υπάρχει αυτή η σύνδεση.
Υπάρχει κίνδυνος αλγοριθμικών διακρίσεων;
Ναι, πρόκειται για ένα ουσιαστικό ζήτημα που χρειάζεται προσοχή.
Τα χαρακτηριστικά των προσώπων διαφέρουν ανάμεσα σε πληθυσμούς, ενώ μια τεχνητή νοημοσύνη μπορεί να επηρεαστεί από τον τρόπο επιλογής των δεδομένων εκπαίδευσης.
Οι ερευνητές πραγματοποίησαν αναλύσεις σε διαφορετικές υποομάδες ασθενών.
Ωστόσο, οι ανεξάρτητοι επιστήμονες επισήμαναν ότι η συσχέτιση μεταξύ εκτιμώμενης ηλικίας προσώπου και επιβίωσης δεν ήταν εξίσου ισχυρή σε όλες τις φυλετικές ομάδες μετά τη στατιστική προσαρμογή.
Αυτό σημαίνει ότι απαιτείται περισσότερη αξιολόγηση σε διαφορετικούς πληθυσμούς προτού η τεχνολογία χρησιμοποιηθεί για αποφάσεις που μπορεί να επηρεάζουν τη ζωή ενός ασθενούς.
Και τι γίνεται με τα προσωπικά δεδομένα;
Οι φωτογραφίες προσώπου αποτελούν ιδιαίτερα ευαίσθητο υλικό όταν χρησιμοποιούνται για την εξαγωγή συμπερασμάτων σχετικά με την υγεία.
Μια μελλοντική κλινική εφαρμογή θα χρειάζεται αυστηρούς κανόνες προστασίας δεδομένων, ασφαλή αποθήκευση, ενημερωμένη συγκατάθεση και σαφή όρια ως προς τη χρήση των αποτελεσμάτων.
Δεν πρέπει κάποιος να ανεβάζει προσωπικές φωτογραφίες σε άγνωστες ιστοσελίδες που υπόσχονται ότι μπορούν να προβλέψουν πόσα χρόνια θα ζήσει.
Η ερευνητική τεχνολογία δεν αποτελεί πιστοποιημένη δημόσια υπηρεσία πρόγνωσης της επιβίωσης.
Μπορούμε να επηρεάσουμε τη βιολογική ηλικία που αποτυπώνεται στο πρόσωπο;
Η εμφάνιση του δέρματος επηρεάζεται από διάφορους παράγοντες, όπως η γενετική, η ηλικία, η έκθεση στην υπεριώδη ακτινοβολία, το κάπνισμα και η γενική κατάσταση υγείας.
Ωστόσο, το να φαίνεται κάποιος νεότερος δεν σημαίνει απαραίτητα ότι έχει μικρότερο κίνδυνο εμφάνισης νόσου.
Αντίστοιχα, οι ρυτίδες, οι μαύροι κύκλοι ή η φυσιολογική γήρανση του προσώπου δεν αποτελούν σημάδια καρκίνου.
Η καλύτερα τεκμηριωμένη προσέγγιση για την υγιή γήρανση εξακολουθεί να στηρίζεται σε καθημερινές επιλογές:
Στη διακοπή του καπνίσματος, στη σωματική δραστηριότητα, στην ισορροπημένη διατροφή, στον επαρκή ύπνο, στον έλεγχο της αρτηριακής πίεσης και στην κατάλληλη ιατρική πρόληψη.
Αυτά τα μέτρα έχουν πολύ μεγαλύτερη επιστημονική αξία από οποιαδήποτε υπόσχεση ότι μπορούμε να «ξεγελάσουμε» ένα ψηφιακό ρολόι γήρανσης.
Το μεγάλο συμπέρασμα: Η φωτογραφία που μπορεί στο μέλλον να γίνει ιατρικό εργαλείο
Η μελέτη του FAHR-Face δείχνει ότι το ανθρώπινο πρόσωπο μπορεί να περιέχει περισσότερες πληροφορίες για τη γενική κατάσταση υγείας από όσες μπορούμε να περιγράψουμε με απλή οπτική παρατήρηση.
Οι ερευνητές εκπαίδευσαν ένα μεγάλο μοντέλο με περισσότερες από 40 εκατομμύρια εικόνες και το αξιολόγησαν σε ανεξάρτητες ομάδες ασθενών.
Το αποτέλεσμα ήταν μια ισχυρή στατιστική συσχέτιση ανάμεσα στη βαθμολογία του συστήματος και στον κίνδυνο θανάτου ασθενών με καρκίνο.
Αλλά η τεχνητή νοημοσύνη δεν έμαθε να προβλέπει τη μοίρα μας.
Δεν μπορεί να διαγνώσει τον καρκίνο από μία selfie ούτε να γνωρίζει πόσο θα ζήσει ένας συγκεκριμένος άνθρωπος.
Αυτό που πέτυχαν οι επιστήμονες είναι διαφορετικό και σημαντικό: έδειξαν ότι μια απλή φωτογραφία μπορεί να χρησιμοποιηθεί ερευνητικά για την αναγνώριση μοτίβων που σχετίζονται με την πρόγνωση ασθενών.
Το μεγάλο ερώτημα πλέον δεν είναι μόνο αν η τεχνολογία μπορεί να υπολογίζει τον κίνδυνο.
Είναι αν θα μπορέσει να βοηθήσει πραγματικά τους γιατρούς να επιλέγουν καλύτερες θεραπείες και να βελτιώνουν την ποιότητα και τη διάρκεια ζωής των ασθενών.
Αυτό μένει να αποδειχθεί.
Επιστημονικές πηγές
The Lancet Digital Health – 19/10/2026. Haugg F. και συνεργάτες, Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study. Πρωτότυπη επιστημονική μελέτη.
JoVE VisualizeMass General Brigham – 19/10/2026. Επίσημη ανακοίνωση της ερευνητικής ομάδας.
Science Media Centre – 19/10/2026. Ανεξάρτητες επιστημονικές εκτιμήσεις.
Science Media CentreThe ASCO Post – 20/10/2026. Αναλυτική ογκολογική παρουσίαση της έρευνας.
The Guardian – 19/10/2026. Διεθνής δημοσιογραφική κάλυψη.
Σημείωση επικαιρότητας: Η πρωτότυπη εργασία δημοσιεύθηκε στις 19 Οκτωβρίου 2026 και αναπαράχθηκε από διεθνή μέσα τις επόμενες ημέρες. Δεν πρόκειται για νέα κλινική μελέτη που πραγματοποιήθηκε στις 22 Οκτωβρίου.
Social Plugin