Prédiction de la durée de vie restante à partir d'images avec prise en compte de l'incertitude

Uncertainty-Aware Remaining Lifespan Prediction from Images

June 16, 2025

Auteurs: Tristan Kenneweg, Philip Kenneweg, Barbara Hammer

cs.AI

Résumé

La prédiction des résultats liés à la mortalité à partir d'images offre la perspective d'un dépistage de santé accessible, non invasif et évolutif. Nous présentons une méthode qui exploite des modèles de fondation de transformateurs visuels pré-entraînés pour estimer l'espérance de vie restante à partir d'images faciales et corporelles complètes, tout en fournissant une quantification robuste de l'incertitude. Nous montrons que l'incertitude prédictive varie systématiquement avec la véritable espérance de vie restante, et que cette incertitude peut être efficacement modélisée en apprenant une distribution gaussienne pour chaque échantillon. Notre approche atteint une erreur absolue moyenne (MAE) de pointe de 7,48 ans sur un ensemble de données établi, et s'améliore encore pour atteindre des MAE de 4,79 et 5,07 ans sur deux nouveaux ensembles de données de meilleure qualité, curés et publiés dans ce travail. Fait important, nos modèles fournissent des estimations d'incertitude bien calibrées, comme en témoigne une erreur de calibration attendue par segment de 0,62 ans. Bien que ces résultats ne soient pas destinés à un déploiement clinique, ils mettent en lumière le potentiel d'extraction de signaux médicalement pertinents à partir d'images. Nous mettons à disposition tout le code et les ensembles de données pour faciliter des recherches ultérieures.

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.