Kan AI upptäcka vissa sjukdomar genom att titta på ansiktsbilder ?

Nuvarande AI-system kan extrahera suggestiva signaler från ansiktsfotografier—förändringar i textur, asymmetri, pigmentering och subtil svullnad—som korrelerar med vissa metaboliska, hjärt- och endokrina sjukdomar, men dessa signaler är inte specifika för en viss sjukdom och överlappar ofta med normal variation eller andra tillstånd. Forskningsgrupper har rapporterat måttliga noggrannheter (ofta 60–80 % AUC) för att upptäcka sjukdomar som diabetes, kronisk njursjukdom eller kranskärlssjukdom, med hjälp av stora datamängder och djupinlärningsmodeller tränade på tiotusentals märkta bilder. Eftersom ansiktsbiomarkörer är indirekta och påverkas av ålder, kön, ljus och etnicitet, är tekniken fortfarande under utredning och godkänns inte för klinisk diagnos. Den används för närvarande främst i forskningssammanhang och som ett kompletterande screeningverktyg snarare än en diagnostisk standard.

— Berikad 13 maj 2026 · Källa: 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).