Прогнозирование оставшегося срока службы с учетом неопределенности на основе изображений

Uncertainty-Aware Remaining Lifespan Prediction from Images

June 16, 2025

Авторы: Tristan Kenneweg, Philip Kenneweg, Barbara Hammer

cs.AI

Аннотация

Прогнозирование исходов, связанных с смертностью, на основе изображений открывает перспективы для доступного, неинвазивного и масштабируемого скрининга здоровья. Мы представляем метод, который использует предобученные трансформеры для анализа изображений с целью оценки оставшейся продолжительности жизни по фотографиям лица и всего тела, а также обеспечивает надежную количественную оценку неопределенности. Мы показываем, что прогностическая неопределенность систематически варьируется в зависимости от истинной оставшейся продолжительности жизни, и что эту неопределенность можно эффективно моделировать, обучая гауссово распределение для каждого образца. Наш метод достигает наилучшего среднего абсолютного отклонения (MAE) в 7,48 лет на общепризнанном наборе данных и дополнительно улучшает его до 4,79 и 5,07 лет MAE на двух новых, более качественных наборах данных, созданных и опубликованных в данной работе. Важно отметить, что наши модели предоставляют хорошо калиброванные оценки неопределенности, что подтверждается ожидаемой ошибкой калибровки, равной 0,62 года. Хотя эти результаты не предназначены для клинического применения, они подчеркивают потенциал извлечения медицински значимых сигналов из изображений. Мы предоставляем весь код и наборы данных для содействия дальнейшим исследованиям.

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.