Voiko tekoäly havaita tiettyjä sairauksia katsomalla kasvojen kuvia ?

Nykyiset tekoälyjärjestelmät voivat tunnistaa viitteellisiä signaaleja kasvojen valokuvista – muutoksia tekstuurissa, epäsymmetriassa, pigmentaatiossa ja hienovaraisessa turvotuksessa – jotka korreloivat tiettyjen metabolisten, sydän- ja endokriinisten sairauksien kanssa, mutta nämä viitteet eivät ole sairausspesifisiä ja usein menevät päällekkäin normaalin vaihtelun tai muiden sairauksien kanssa. Tutkimusryhmät ovat raportoineet vaatimattomista tarkkuuksista (usein 60–80 % AUC) sairauksien, kuten diabeteksen, kroonisen munuaissairauden tai sepelvaltimotaudin havaitsemisessa, käyttäen suuria aineistoja ja kymmenien tuhansien leimattujen kuvien perusteella koulutettuja syväoppimismalleja. Koska kasvojen biomarkkereita ovat epäsuorat ja niihin vaikuttavat ikä, sukupuoli, valaistus ja etnisyys, teknologia on edelleen kokeellista eikä sitä ole hyväksytty kliiniseen diagnostiikkaan. Sitä käytetään tällä hetkellä pääasiassa tutkimuskäytössä ja täydentävänä seulontatyökaluna diagnostiikan standardin sijaan.

— Enriched 13. toukokuuta 2026 · Lähde: 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).