Une photographie du visage peut prédire directement les chances de survie des patients atteints de cancer — c'est ce que démontre pour la première fois une étude publiée le 19 octobre 2026 dans The Lancet Digital Health par une équipe de Mass General Brigham. Les chercheurs ont d'abord entraîné un modèle de fondation, FAHR-Face, sur plus de 40 millions d'images de visages, puis en ont tiré deux outils : FAHR-FaceAge, qui estime l'âge biologique d'une personne, et FAHR-FaceSurvival, qui produit un score de risque de survie au cancer à partir d'une simple photographie du visage. À la connaissance de l'équipe, il s'agit du premier rapport d'un algorithme d'IA capable de prédire directement la survie de patients cancéreux à partir d'une simple photo du visage.
Le premier regard du médecin, transformé en chiffre
Le point de départ est une vieille habitude clinique. L'auteur correspondant, Raymond Mak, radio-oncologue au Mass General Brigham Cancer Institute, rappelle que les médecins sont formés, dès l'école de médecine, à entrer dans une pièce, regarder le patient et se faire une impression de son état — en forme, fragile ou malade. Cette impression influence le choix entre chirurgie, chimiothérapie et radiothérapie, mais elle reste profondément subjective. FAHR-FaceAge transforme ce regard en score reproductible : l'écart entre l'âge estimé et l'âge réel, l'écart d'âge biologique, était associé de façon indépendante à la survie. En intégrant à la fois le score d'âge facial et le score direct de survie dans un modèle pronostique clinique, l'ajustement était meilleur qu'avec chacun des deux séparément — les deux captent donc des informations différentes.
Les chiffres méritent qu'on s'y arrête. Dans un groupe test de 3 820 patients cancéreux, 64 des 122 patients de la tranche de risque la plus élevée — plus de la moitié — sont décédés dans les 90 jours suivant la prise de la photographie. Dans un autre groupe test de plus de 38 000 patients, ceux qui paraissaient plus âgés que leur âge réel présentaient eux aussi un risque de décès plus élevé. Exprimé en écart d'âge : les patients que l'IA jugeait avoir au moins cinq ans de plus que leur âge avaient un risque de décès supérieur de 21 % ; ceux jugés au moins cinq ans plus jeunes, un risque inférieur de 17 %. Ces patients, suivis en moyenne pendant environ quatre ans, recevaient une radiothérapie.
Où l'algorithme regarde-t-il sur le visage ?
L'équipe a utilisé la cartographie d'attention pour suivre le regard du modèle. Pour estimer l'âge, il se concentre surtout sur des zones comme les sillons nasogéniens et le front ; pour le risque de décès, l'attention se porte sur l'arête du nez et les zones sous les yeux. Les chercheurs admettent franchement ne pas encore savoir pourquoi ces régions précises sont corrélées au risque de mortalité. Certains signaux ont des explications toutes prêtes : les fumeurs, les gros consommateurs d'alcool et les usagers de drogues étaient plus souvent jugés plus âgés, ce qui correspond à des risques de santé connus. Le modèle s'est aussi montré robuste aux conditions de prise de vue : posture, éclairage, expression et maquillage changeaient peu de chose, et la plupart des chirurgies esthétiques étaient traitées correctement, avec une exception — après une rhinoplastie, les personnes tendaient à être jugées légèrement plus âgées sur les photos postérieures à l'opération.
Trois obstacles avant la chambre du patient
Le premier est la représentativité. Le modèle de survie a été entraîné sur une population de patients cancéreux de la région de Boston, majoritairement blanche ; l'équipe élargit ses données à une plus grande diversité de visages et a lancé une étude publique en ligne, approuvée par un comité d'éthique, pour collecter des photographies, tandis que Mass General Brigham a déposé un brevet provisoire américain sur des algorithmes de santé faciale de nouvelle génération. Le deuxième obstacle est le niveau de preuve : il s'agit d'une étude de développement et de validation de modèle, pas d'un essai clinique — elle montre que les scores sont corrélés aux résultats, mais pas que des médecins les utilisant prendraient de meilleures décisions thérapeutiques, ni que les résultats des patients s'amélioreraient. Le troisième est la frontière des usages. Matthew Liao, directeur du Center for Bioethics de l'université de New York, qui n'a pas participé à l'étude, prévient que si l'algorithme classe à tort un patient comme en bonne santé, des soins nécessaires pourraient être manqués ; que des assureurs utilisent ce type de technologie pour accorder ou refuser une couverture, ou des employeurs pour trier des candidats réputés plus sains, fait partie des conséquences sociétales à penser dès maintenant. La position de Mak lui-même est mesurée : ces outils doivent soutenir des décisions de traitement personnalisées, non remplacer le jugement du médecin. Pour les patients et leurs proches, la lecture réaliste, à ce stade, est qu'il s'agit d'un signal de recherche sur la réserve physiologique — pas d'un instrument pour mesurer son propre destin.
