Previsione della Durata Residua con Consapevolezza dell'Incertezza da Immagini

Uncertainty-Aware Remaining Lifespan Prediction from Images

June 16, 2025

Autori: Tristan Kenneweg, Philip Kenneweg, Barbara Hammer

cs.AI

Abstract

La previsione di esiti legati alla mortalità a partire da immagini offre la prospettiva di uno screening sanitario accessibile, non invasivo e scalabile. Presentiamo un metodo che sfrutta modelli di base pre-addestrati basati su vision transformer per stimare la durata residua della vita da immagini del viso e dell'intero corpo, insieme a una robusta quantificazione dell'incertezza. Dimostriamo che l'incertezza predittiva varia sistematicamente con la vera durata residua della vita e che questa incertezza può essere efficacemente modellata apprendendo una distribuzione gaussiana per ciascun campione. Il nostro approccio raggiunge un errore assoluto medio (MAE) all'avanguardia di 7,48 anni su un dataset consolidato e migliora ulteriormente a 4,79 e 5,07 anni MAE su due nuovi dataset di qualità superiore, curati e pubblicati in questo lavoro. È importante sottolineare che i nostri modelli forniscono stime di incertezza ben calibrate, come dimostrato da un errore di calibrazione atteso suddiviso in intervalli di 0,62 anni. Sebbene non destinati alla distribuzione clinica, questi risultati evidenziano il potenziale di estrarre segnali rilevanti dal punto di vista medico dalle immagini. Rendiamo disponibili tutto il codice e i dataset per facilitare ulteriori ricerche.

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.