Predicción de Vida Útil Restante con Conciencia de Incertidumbre a partir de Imágenes

Uncertainty-Aware Remaining Lifespan Prediction from Images

June 16, 2025

Autores: Tristan Kenneweg, Philip Kenneweg, Barbara Hammer

cs.AI

Resumen

La predicción de resultados relacionados con la mortalidad a partir de imágenes ofrece la perspectiva de un cribado de salud accesible, no invasivo y escalable. Presentamos un método que aprovecha modelos base de transformadores de visión preentrenados para estimar la esperanza de vida restante a partir de imágenes faciales y de cuerpo completo, junto con una cuantificación robusta de la incertidumbre. Demostramos que la incertidumbre predictiva varía sistemáticamente con la verdadera esperanza de vida restante, y que esta incertidumbre puede modelarse eficazmente aprendiendo una distribución gaussiana para cada muestra. Nuestro enfoque alcanza un error absoluto medio (MAE) de última generación de 7.48 años en un conjunto de datos establecido, y mejora aún más a 4.79 y 5.07 años de MAE en dos nuevos conjuntos de datos de mayor calidad, curados y publicados en este trabajo. Es importante destacar que nuestros modelos proporcionan estimaciones de incertidumbre bien calibradas, como lo demuestra un error de calibración esperado segmentado de 0.62 años. Aunque no están destinados para su implementación clínica, estos resultados resaltan el potencial de extraer señales médicamente relevantes a partir de imágenes. Ponemos a disposición todo el código y los conjuntos de datos para facilitar investigaciones futuras.

English

Predicting mortality-related outcomes from images offers the prospect of accessible, noninvasive, and scalable health screening. We present a method that leverages pretrained vision transformer foundation models to estimate remaining lifespan from facial and whole-body images, alongside robust uncertainty quantification. We show that predictive uncertainty varies systematically with the true remaining lifespan, and that this uncertainty can be effectively modeled by learning a Gaussian distribution for each sample. Our approach achieves state-of-the-art mean absolute error (MAE) of 7.48 years on an established Dataset, and further improves to 4.79 and 5.07 years MAE on two new, higher-quality datasets curated and published in this work. Importantly, our models provide well-calibrated uncertainty estimates, as demonstrated by a bucketed expected calibration error of 0.62 years. While not intended for clinical deployment, these results highlight the potential of extracting medically relevant signals from images. We make all code and datasets available to facilitate further research.