Kan AI opdage visse sygdomme ved at se på billeder af ansigter ?
Afgiv din stemme — læs så hvad vores redaktør og AI-modellerne fandt.
Nuværende AI-systemer kan udtrække suggestive signaler fra ansigtsfotografier – ændringer i tekstur, asymmetri, pigmentering og subtil hævelse – der korrelerer med visse metaboliske, hjerte- og endokrine lidelser, men disse signaler er ikke sygdomsspecifikke og overlapper ofte med normal variation eller andre tilstande. Forskningsgrupper har rapporteret moderate nøjagtigheder (ofte 60–80 % AUC) for at opdage sygdomme som diabetes, kronisk nyresygdom eller koronar arteriesygdom, hvilket bygger på store datasæt og dyb læring-modeller trænet på titusinder af mærkede billeder. Da ansigtsbiomarkører er indirekte og påvirkes af alder, køn, belysning og etnicitet, forbliver teknologien eksperimentel og er ikke godkendt til klinisk diagnose. Den anvendes i øjeblikket hovedsageligt i forskningsmiljøer og som et supplerende screeningsværktøj snarere end en diagnostisk standard.
— Beriget 13. maj 2026 · Kilde: Nature Medicine
Background
Artificial-intelligence systems can extract suggestive facial cues—texture changes, asymmetry, pigmentation shifts and subtle swelling—that correlate with metabolic, cardiac and endocrine disorders, but these biomarkers overlap with normal variation and other conditions. Reported accuracies for diseases such as diabetes, chronic kidney disease and coronary artery disease typically range from 60 % to 80 % AUC, relying on large labeled datasets and deep-learning models trained on tens of thousands of images.
Facial phenotyping has been explored as a non-invasive, low-cost screening approach for genetic and neurodegenerative disorders. Convolutional neural networks have improved detection of conditions such as Down syndrome, DiGeorge syndrome, Parkinson’s disease and Alzheimer’s disease in research settings. However, facial traits are heavily influenced by age, sex, lighting and ethnicity, and published results remain investigational; the technique is not approved for clinical diagnosis and is currently used mainly in research and as an adjunctive screening tool rather than a diagnostic standard.
Sources: Nature Medicine; National Institutes of Health (enriched May 13, 2026).
Foreslå et tag
Mangler et begreb i dette emne? Foreslå det, admin gennemgår.
Status senest tjekket June 24, 2026.
Galleri
Kan AI opdage visse sygdomme ved at se på billeder af ansigter?
Snævre demoer findes — men panelet var ikke enigt.
Efter omhyggelig overvejelse fandt juryen, at AI kan assistere med at identificere nogle sygdomme ud fra ansigtsbilleder, men det er stadig begrænset i omfang og pålidelighed. To jurymedlemmer i ALMOST-lejren var enige om, at det viser potentiale, men endnu ikke er autoritativt nok til en fuld anbefaling, mens ingen dissenter krævede en stærkere dom. Dommen: "AI kan spotte et par ansigter med problemer, men satse huset på dens diagnose."
After careful deliberation, the jury found that AI can assist in identifying some diseases from facial images, yet it remains limited in scope and reliability. Two jurors in the ALMOST camp agreed it shows promise but is not yet authoritative enough for a full endorsement, while no dissenters pressed for a stronger verdict. Ruling: "AI can spot a few faces of trouble, but don’t bet the house on its diagnosis.
But the data is real.
The Case File
Across 9 sessions, 28 jurors have heard this case. Combined tally: 4 YES · 24 ALMOST · 0 NO · 0 IN RESEARCH.
Note: cumulative includes older juror opinions. The current session tally above is the live verdict.
By a vote of 0 — 2 — 0, the panel returns a verdict of NæSTEN, with verdict confidence of 80%. The court so orders.
"Working systems exist for narrow disease detection from facial images, but coverage is partial and contested."
"Deep learning models can analyze facial features"
Individuelle nævningers udtalelser vises på originalengelsk for at bevare bevismæssig præcision.
Hvad publikum mener
Nej 30% · Ja 30% · Måske 39% 23 votesDiskussion
no comments⚖ 9 jury checks · seneste for 4 dage siden
Hver række er et separat jurytjek. Nævninger er AI-modeller (identiteter holdt neutrale med vilje). Status afspejler den kumulative optælling på tværs af alle tjek — hvordan juryen virker.