Ein Gesichtsfoto kann die Überlebensaussichten von Krebspatienten direkt vorhersagen – erstmals nachgewiesen in einer Studie, die ein Team von Mass General Brigham am 19. Oktober 2026 in The Lancet Digital Health veröffentlichte. Die Forschenden trainierten zunächst das Basismodell FAHR-Face mit mehr als 40 Millionen Gesichtsbildern und leiteten daraus zwei Werkzeuge ab: FAHR-FaceAge schätzt das biologische Alter einer Person, FAHR-FaceSurvival erstellt aus einem einzigen gewöhnlichen Gesichtsfoto einen Risikoscore für das Krebsüberleben. Nach Kenntnis des Teams ist dies der erste Bericht über einen KI-Algorithmus, der das Überleben von Krebspatienten direkt aus einem einfachen Gesichtsfoto vorhersagen kann.
Der erste Blick des Arztes, in eine Zahl verwandelt
Ausgangspunkt ist eine alte klinische Gewohnheit. Der korrespondierende Autor Raymond Mak, Radioonkologe am Mass General Brigham Cancer Institute, erklärt, Ärzte würden im Medizinstudium darauf trainiert, einen Raum zu betreten, den Patienten anzusehen und sich einen Eindruck davon zu bilden, wie gesund, gebrechlich oder krank dieser Mensch ist. Dieser Eindruck beeinflusst die Wahl zwischen Operation, Chemotherapie und Strahlentherapie – bleibt aber zutiefst subjektiv. FAHR-FaceAge verwandelt diesen Blick in einen reproduzierbaren Wert: Die Differenz zwischen geschätztem und tatsächlichem Alter, der biologische Altersabstand, hing unabhängig mit dem Überleben zusammen. Wurden sowohl der Gesichtsalters-Score als auch der direkte Überlebens-Score in ein klinisches Prognosemodell aufgenommen, passte das Modell besser als mit jedem der beiden Werte allein – die beiden erfassen also unterschiedliche Informationen.
Die konkreten Zahlen verdienen einen Blick. In einer Testgruppe von 3.820 Krebspatienten starben 64 der 122 Patienten in der höchsten Risikoklasse – mehr als die Hälfte – innerhalb von 90 Tagen nach der Fotoaufnahme. In einer weiteren Testgruppe mit mehr als 38.000 Patienten hatten diejenigen, die älter aussahen als ihr tatsächliches Alter, ebenfalls ein höheres Sterberisiko. In Altersdifferenzen ausgedrückt: Patienten, die die KI mindestens fünf Jahre älter schätzte, als sie waren, hatten ein um 21 Prozent höheres Sterberisiko; wer mindestens fünf Jahre jünger geschätzt wurde, ein um 17 Prozent niedrigeres. Diese Patienten wurden im Mittel rund vier Jahre nachbeobachtet und erhielten eine Strahlentherapie.
Wohin auf dem Gesicht schaut das Modell?
Mit Attention Mapping verfolgte das Team, worauf das Modell achtet. Für die Altersschätzung konzentrierte es sich vor allem auf Bereiche wie die Nasolabialfalten und die Stirn; für das Sterberisiko fielen die Aufmerksamkeit auf den Nasenrücken und die Partien unter den Augen. Die Forschenden räumen offen ein, dass sie noch nicht erklären können, warum ausgerechnet diese Regionen mit dem Sterberisiko zusammenhängen. Manche Signale haben naheliegende Erklärungen: Raucher, Menschen mit starkem Alkoholkonsum und Drogenkonsumenten wurden eher als älter aussehend eingestuft, was zu bekannten Gesundheitsrisiken passt. Auch gegenüber Fotobedingungen erwies sich das Modell als robust: Pose, Licht, Mimik und Make-up änderten kaum etwas, und die meisten Schönheitsoperationen wurden korrekt verarbeitet – mit einer Ausnahme: Nach einer Nasenkorrektur wurden Personen auf späteren Fotos tendenziell etwas älter geschätzt.
Drei Hürden bis zum Krankenbett
Die erste ist die Repräsentativität. Das Überlebensmodell wurde an einer Krebspopulation aus dem Raum Boston trainiert, die mehrheitlich weiß war; das Team erweitert die Daten um eine größere Vielfalt von Gesichtern und hat eine von der Ethikkommission genehmigte öffentliche Online-Studie zur Fotosammlung gestartet, während Mass General Brigham ein vorläufiges US-Patent auf Gesichtsgesundheits-Algorithmen der nächsten Generation angemeldet hat. Die zweite Hürde ist die Evidenzstufe: Dies ist eine Studie zur Modellentwicklung und -validierung, keine klinische Prüfung – sie zeigt, dass die Scores mit den Ergebnissen korrelieren, aber nicht, dass Ärzte mit ihnen bessere Therapieentscheidungen treffen oder sich die Ergebnisse der Patienten verbessern würden. Die dritte ist die Nutzungsgrenze. Matthew Liao, Direktor des Center for Bioethics an der New York University, der nicht an der Studie beteiligt war, warnt: Stuft der Algorithmus einen Patienten fälschlich als gesund ein, könnte notwendige Versorgung ausbleiben; auch Versicherer, die solche Technik für Annahme oder Ablehnung von Verträgen nutzen, oder Arbeitgeber, die damit vermeintlich gesündere Bewerber auswählen, seien gesellschaftliche Folgen, die vorab durchdacht werden müssten. Maks eigene Einordnung ist zurückhaltend: Solche Werkzeuge sollen personalisierte Therapieentscheidungen unterstützen, nicht das ärztliche Urteil ersetzen. Für Patienten und Angehörige lautet die realistische Lesart vorerst: Dies ist ein Forschungssignal zur physiologischen Reserve – kein Werkzeug, um das eigene Schicksal zu vermessen.
