AI读取面部特征诊断高血压和糖尿病

能读懂你的面容

只需五秒钟的面部视频，很快就能告诉你是否患有高血压或糖尿病。这是东京大学和东京科学研究所研究人员的主张，他们已在慕尼黑举行的欧洲心脏病学会（ESC）2026年大会上展示了相关成果。他们的机器学习算法从30秒的视频中检测高血压的准确率达到95%，检测糖尿病的准确率达到88%；当视频缩短至五秒时，准确率仅略微下降至90%和81%。该研究规模较小——共215名参与者，均为日本人——且为单中心研究，但它指明了一项可能将任何摄像头转化为筛查工具的技术方向。

该方法颇为微妙。光谱相机不仅能捕捉视觉细节，还能记录光线在皮肤和血管上的反射方式。人工智能提取出与动脉僵硬程度相关的脉搏波动力学特征，以及皮肤血流模式和光谱颜色变化。随后，这些信号由一个经过训练的机器学习模型进行分析，该模型能够识别高血压和糖尿病的生理指纹。换言之，该算法通过你的皮肤读取你的循环系统。

工作原理

传统筛查这两种疾病需要血压袖带和血样。两者都很准确，但存在摩擦：人们必须前往诊所、支付就诊费用，并忍受采血针带来的轻微不适。新方法消除了这些障碍。几秒钟的视频即可在药店、职场健康检查，甚至智能手机应用中捕获。该技术不会取代诊断确认，但可充当一线分诊工具，标记出需要后续检测的个体。

数据令人瞩目。对于高血压，使用完整30秒录音时，敏感性——即正确识别患病者的能力——达到89.2%，而对正常血压的特异性为100%。这意味着该算法几乎漏掉了所有高血压患者，且很少误判健康人群。对于糖尿病，敏感性较低，但在五秒片段中仍具实质性，达到81.2%。该模型还无需袖带即可估算收缩压，平均绝对百分比误差为8.6%。虽然这符合某些临床标准，但误差的标准差（±12 mmHg）超出了医用仪器促进协会更严格的±8 mmHg限制。用通俗话说，这些估测结果前景广阔，但尚未达到个体诊断所需的精度。

谁是赢家，谁是输家

明确的赢家是数百万尚未被诊断的患者。在全球范围内，估计有14亿30至79岁的成年人患有高血压，5.89亿人 living with diabetes. 许多人从未得知自己的病情，因为他们无法定期获得医疗服务，或倾向于避免前往诊所。一种无需接触、低成本的工具可大幅扩展早期检测范围，使生活方式干预和治疗得以在心肌梗死或中风等并发症发生前启动。

公共卫生系统同样有望受益。当前需要资源和人员配置的筛查项目，可通过自动化、自我管理的测试实现规模化。雇主、保险公司和社区健康组织可能会采用该技术以降低长期治疗成本。

输家则不那么明显却同样重要。传统筛查基础设施——提供免费血压测量的药店、实验室服务以及测量生命体征的可穿戴设备——可能面临颠覆。更关键的是，隐私倡导者认为，广泛使用的面部分析技术，即使是出于健康目的，也树立了一个危险先例。一旦生物识别数据与健康状况关联，就可能被滥用、出售或未经同意获取。

隐私之问

面部识别已是监控和数据权利辩论中的焦点。一项能从面部提取健康信息的工具增加了新的敏感层次。日本研究人员强调，他们的系统使用的是光谱相机而非普通网络摄像头，且在本地处理数据，不存储可识别图像。尽管如此，底层技术可能被用于更不可靠的用途。如果一家公司能从视频中检测高血压，它也可能推断其他疾病、情绪状态，甚至遗传易感性。

英语读者常常忽略的是日本如何驾驭这一张力。日本拥有亚洲最严格的隐私法之一，《个人信息保护法》要求对生物识别数据处理必须获得明确同意。然而执法不一致，企业已推动建立更灵活的框架以促进创新。该研究的披露信息显示， presenter Ryoko Uchida 与多家医疗器械公司存在关系，包括美敦力日本公司和波士顿科学日本公司。这种利益冲突在行业资助的研究中很常见，但也凸显了独立验证的必要性。

全球监管回应将各不相同。欧盟《人工智能法案》将生物识别身份归类为高风险，而美国缺乏全面的联邦隐私法。在没有明确规则的情况下，公司可能在灰色地带部署面部诊断工具，在监管跟上之前收集数据并建立数据库。

超越诊室

研究人员描绘的愿景是一个在日常生活场景中实现筛查的世界——银行柜员的摄像头、办公室健身房的镜子、移动应用。《欧洲心脏杂志–数字健康》主编 Nico Bruining 副教授称该方法“快速、简便且无需接触”，指出它能触及比传统方法多得多的人群。定于2026年11月在巴塞尔举行的ESC数字与人工智能峰会将探索其在心血管护理中的更广泛应用。

但“日常生活场景”也意味着不可控环境。光照、肤色、面部毛发和摄像头质量都会影响准确性。目前研究仅包含215名参与者，主要为日本人，并未测试多元化人群。AI诊断中的肤色偏差是一个有据可查的问题；针对较浅肤色训练出的算法往往在较深肤色上失效。任何全球推广都必须解决这些差异，否则可能加剧健康不平等。

通往验证之路

作者本人也警告称，这些发现需要在更大规模、多中心的多样化人群队列中进行验证。这一步骤可能需要数年。临床试验需证明该技术能在实验室外发挥作用、确保安全，并能带来更好的健康结局——而不仅仅是更早的检测。监管批准也将需要严格标准，尤其是针对作为医疗器械的软件。

研究人员计划优化算法以减少误差变异并提高泛化能力。资金来自日本科学技术振兴机构，这可能加速国内部署，但不能保证国际采用。其他国家希望看到来自本国人群的复制研究后才会投资。

接下来会发生什么

如果技术被证明稳健，下一阶段将是实施。谁为其付费？如何获得同意？数据归谁所有？或许更重要的是：它真的能改变行为吗？早期检测只有在使用者采取行动时才有效。一个导致医生电话的数字化警示可能比模糊的健康评分更有效。

AI在预防保健中的前景颇具诱惑。风险在于我们让便利性超越了审慎。一段能揭示健康状况的五秒视频或许能挽救生命——但也可能成为歧视、监控或牟利的工具。科学令人振奋，伦理迫在眉睫。随着这项技术从实验室走向人脸，世界既需要速度也需要智慧。