Previsão de Tempo de Vida Restante com Consciência de Incerteza a partir de Imagens

Uncertainty-Aware Remaining Lifespan Prediction from Images

June 16, 2025

Autores: Tristan Kenneweg, Philip Kenneweg, Barbara Hammer

cs.AI

Resumo

A previsão de resultados relacionados à mortalidade a partir de imagens oferece a perspectiva de triagens de saúde acessíveis, não invasivas e escaláveis. Apresentamos um método que utiliza modelos de base de transformadores de visão pré-treinados para estimar a expectativa de vida restante a partir de imagens faciais e de corpo inteiro, juntamente com uma robusta quantificação de incerteza. Demonstramos que a incerteza preditiva varia sistematicamente com a verdadeira expectativa de vida restante e que essa incerteza pode ser efetivamente modelada aprendendo uma distribuição gaussiana para cada amostra. Nossa abordagem alcança um erro absoluto médio (MAE) de ponta de 7,48 anos em um conjunto de dados estabelecido e melhora ainda mais para 4,79 e 5,07 anos de MAE em dois novos conjuntos de dados de maior qualidade, curados e publicados neste trabalho. Importante destacar que nossos modelos fornecem estimativas de incerteza bem calibradas, conforme demonstrado por um erro de calibração esperado em intervalos de 0,62 anos. Embora não sejam destinados à implantação clínica, esses resultados destacam o potencial de extrair sinais medicamente relevantes de imagens. Disponibilizamos todo o código e conjuntos de dados para facilitar pesquisas 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.