AI อ่านภาพหน้าผู้ป่วยมะเร็ง แยกกลุ่มเสี่ยงเสียชีวิตต่างกันกว่า 3 เท่า แต่ยังไม่พร้อมใช้

แพทย์จำนวนมากประเมินคนไข้ตั้งแต่แรกเห็นว่าใครดูอิดโรย ใครดูยังแข็งแรง ทีมวิจัยของ Mass General Brigham เครือโรงพยาบาลของ Harvard Medical School ในบอสตัน สหรัฐฯ จึงลองถามว่า ถ้าให้ AI ดูภาพถ่ายใบหน้าธรรมดาเพียงภาพเดียว จะแปลงการกะด้วยสายตาแบบนี้ให้เป็นตัวเลขได้หรือไม่ คำตอบเพิ่งตีพิมพ์ในวารสาร The Lancet Digital Health

ทีมเริ่มจากให้ AI ดูภาพใบหน้าคนทั่วไปหลายสิบล้านภาพจนรู้จักหน้าคนอย่างกว้าง ๆ แล้วสอนต่อให้ทำสองงาน งานแรกคือทายว่าหน้าตาดูแก่กว่าอายุจริงแค่ไหน งานที่สองคือให้คะแนนความเสี่ยงเสียชีวิต โดยฝึกจากภาพของผู้ป่วยมะเร็งที่มาฉายรังสี 34,363 คน แล้วทดสอบกับผู้ป่วยอีกกลุ่มที่ AI ไม่เคยเห็น คล้ายพยาบาลที่ทำงานมานานจนมองหน้าก็พอรู้ว่าใครอาการหนัก ต่างกันตรงที่ AI บอกเหตุผลไม่ได้ และผู้นำงานวิจัยยอมรับเองว่า "เราไม่รู้แน่ชัดว่าอัลกอริทึมกำลังดูอะไร"

ผลคือกลุ่มที่ได้คะแนนสูงสุดมีอัตราการเสียชีวิตสูงกว่ากลุ่มคะแนนต่ำสุดกว่า 3 เท่า แม้หักผลของอายุ เพศ ชนิดมะเร็ง และวิธีรักษาออกแล้ว และในกลุ่มเล็ก ๆ ที่ได้คะแนนสูงมาก ผู้ป่วยเกินครึ่งเสียชีวิตภายใน 3 เดือน แต่ตัวเลขนี้เป็นการเทียบระหว่างกลุ่มคนจำนวนมาก ไม่ได้บอกว่าคนใดคนหนึ่งจะรอดหรือไม่

ทีมวิจัยหวังให้เป็นข้อมูลเสริมช่วยแพทย์ดูว่าผู้ป่วยไหวกับการรักษาหนักแค่ไหน ไม่ใช่มาแทนแพทย์ และยังไม่ใช่เครื่องมือที่ใช้ในโรงพยาบาลจริง เพราะทั้งหมดวิเคราะห์จากข้อมูลย้อนหลัง ผู้ป่วยส่วนใหญ่เป็นคนผิวขาว และยังไม่ได้ทดลองใช้กับผู้ป่วยจริง Miroslaw Bober จาก University of Surrey ซึ่งไม่ได้ร่วมวิจัย บอก CNN ว่างานนี้ "ยังไม่พร้อมใช้ทางคลินิก" ส่วน Matthew Liao นักชีวจริยธรรมของ New York University ห่วงว่าบริษัทประกันหรือนายจ้างอาจนำไปใช้ตัดสินคน

ถ้าคุณหรือคนในครอบครัวกำลังรักษามะเร็ง ข่าวนี้ยังไม่เปลี่ยนอะไร ภาพเซลฟี่ไม่ใช่วิธีประเมินโอกาสรอด และเรื่องการรักษายังต้องคุยกับแพทย์ผู้ดูแล ตัวเลขที่ตรวจกับงานฉบับเต็ม ความเห็นผู้เชี่ยวชาญนอกทีม ประเด็นความเป็นส่วนตัว และคะแนนความน่าเชื่อถืออยู่ด้านล่าง

สรุปประเด็นสำคัญ

• งานวิจัย: "Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study" โดย Fridolin Haugg, Grace Lee และคณะ ตีพิมพ์ใน The Lancet Digital Health ปี 2026 ผู้เขียนอาวุโสและผู้ติดต่อหลักคือ Raymond Mak และ Hugo Aerts แห่ง Mass General Brigham ข่าวเริ่มออกเมื่อ 19 ต.ค. 2026
• ตัวเลขที่ตรวจกับฉบับเต็มแล้ว: โมเดลทำนายการรอดชีวิต (FAHR-FaceSurvival) ฝึกด้วยภาพ 34,363 ภาพจากผู้ป่วยมะเร็งที่ฉายรังสี และทดสอบกับผู้ป่วย 3,820 คน กลุ่มคะแนนสูงสุดมีอัตราเสียชีวิตสูงกว่ากลุ่มต่ำสุด 3.23 เท่าหลังปรับปัจจัยทางคลินิก (adjusted hazard ratio) ตัวเลขทั้งสองตรงกับที่สื่อรายงาน
• ยังไม่ใช่เครื่องมือในคลินิก: เป็นการศึกษาข้อมูลย้อนหลังในผู้ป่วยมะเร็งเท่านั้น ผู้เขียนเองระบุว่าต้องทดลองแบบไปข้างหน้า (prospective trial) ก่อน และ Mak บอก Scientific American ว่า AI นี้ยังไม่พร้อมใช้ในคลินิก
• ประเด็นที่ยังถกกัน: ความลำเอียงต่อกลุ่มเชื้อชาติที่มีข้อมูลน้อย การใช้ภาพผู้ป่วยโดยไม่ได้ขอความยินยอมรายคน (คณะกรรมการจริยธรรมอนุญาตให้ยกเว้น) และความกังวลว่าบริษัทประกันหรือนายจ้างอาจนำไปใช้
• ความน่าเชื่อถือ: 🟡 พอใช้อ้างอิงได้ (3 จาก 6 ข้อตามเกณฑ์ของ ReadEval) ผ่านการตรวจของวารสาร รายงานช่วงความเชื่อมั่นครบ และบอกข้อจำกัดชัด แต่ข้อมูลผู้ป่วยไม่เปิด ผู้วัดคือทีมที่พัฒนาและยื่นสิทธิบัตร และยังไม่ได้เทียบกับการประเมินของแพทย์

AI ตัวนี้เรียนรู้จากอะไร

งานนี้แบ่งเป็นสองชั้น คล้ายคนที่เรียนจบปริญญาตรีกว้าง ๆ ก่อนแล้วค่อยไปเรียนเฉพาะทาง

1. ชั้นพื้นฐาน (FAHR-Face): เป็นโมเดลพื้นฐาน (foundation model) ที่ฝึกด้วยภาพใบหน้ามากกว่า 40 ล้านภาพจากชุดข้อมูล WebFace42M โดยไม่มีป้ายกำกับใด ๆ วิธีฝึกคือปิดภาพบางส่วนแบบสุ่มแล้วให้ AI เดาส่วนที่หายไป (masked autoencoder) เพื่อให้มันเข้าใจโครงสร้างใบหน้าโดยรวม
2. ชั้นเฉพาะทาง: นำชั้นพื้นฐานไปสอนต่อ (fine-tune) เป็นสองโมเดลแยกกัน

• FAHR-FaceAge ทายอายุจากหน้าตา ฝึกด้วยภาพใบหน้าที่มีป้ายอายุ 743,152 ภาพจากชุดข้อมูลสาธารณะ 10 ชุด ส่วนต่างระหว่างอายุที่ AI ทายกับอายุจริงเรียกว่า FAD (FAHR-FaceAge deviation) ทีมวิจัยถือว่า "ดูแก่กว่าอายุจริง" เป็นสัญญาณของสุขภาพที่แย่กว่า
• FAHR-FaceSurvival ให้คะแนนความเสี่ยงเสียชีวิตตั้งแต่ 0 ถึง 1 ฝึกโดยให้ AI เรียงลำดับผู้ป่วยทีละคู่ว่าใครมีชีวิตอยู่ได้นานกว่า

ข้อมูลผู้ป่วยมาจากสองแหล่ง

ภาพและข้อมูลทางคลินิกของผู้ป่วยถูกเก็บย้อนหลังจากข้อมูลที่บันทึกไว้ระหว่างการรักษาตามปกติ งานฉบับปี 2025 ของทีมเดียวกันระบุว่าใช้ภาพที่ถ่ายตอนเริ่มฉายรังสี ส่วนฉบับปีนี้ ReadEval ไม่พบในเนื้อหาหลักว่าถ่ายช่วงไหนของการรักษา

"3 เท่า" และ "34,363" มาจากไหน

ReadEval อ่านงานฉบับเต็ม (เผยแพร่แบบเปิดภายใต้สัญญาอนุญาต CC BY-NC-ND 4.0) แล้วพบว่าตัวเลขทั้งสองตรงกับที่สื่อรายงาน แต่มีรายละเอียดที่ควรรู้

• 34,363 คือจำนวนในชุดฝึกของ FAHR-FaceSurvival บทคัดย่อเรียกว่า "ภาพถ่าย" แผนภาพในงานเรียกว่า "ผู้ป่วย" และส่วนวิธีวิจัยเรียกว่า "ภาพ" เมื่อรวมกับชุดทดสอบ 3,820 จะได้ 38,183 พอดี เท่ากับจำนวนผู้ป่วยทั้งหมดใน Harvard-RT จึงน่าจะเป็นคนละหนึ่งภาพ
• 3 เท่า มาจาก adjusted hazard ratio 3.23 (ช่วงความเชื่อมั่น 95% อยู่ที่ 2.70–3.86) เทียบผู้ป่วยที่ได้คะแนน 0.75 ขึ้นไปกับผู้ที่ได้ต่ำกว่า 0.25 ในชุดทดสอบ 3,820 คน หลังปรับอายุ เพศ เชื้อชาติ ตำแหน่งมะเร็ง เป้าหมายการรักษา ปีที่รักษา และเทคนิคการฉายรังสี ถ้ายังไม่ปรับปัจจัยเหล่านี้ ตัวเลขจะสูงถึง 8.75 เท่า ReadEval ตีความว่าสัญญาณส่วนใหญ่ที่ AI เห็นซ้อนกับข้อมูลที่แพทย์มีอยู่แล้ว เช่น อายุ ชนิดมะเร็ง และเป้าหมายการรักษา ส่วนที่เหลือหลังปรับคือสิ่งที่ภาพใบหน้าเพิ่มให้

hazard ratio คืออะไร พูดง่าย ๆ คือ ณ ช่วงเวลาใดก็ตามระหว่างติดตามผล กลุ่มหนึ่งมีอัตราการเสียชีวิตเป็นกี่เท่าของอีกกลุ่ม ไม่ได้แปลว่าโอกาสรอดของคนในกลุ่มเสี่ยงสูงลดลงเหลือหนึ่งในสาม และไม่ได้ใช้ทำนายรายบุคคล

ตัวเลขอื่นที่ช่วยให้เห็นภาพ

ควรรู้ด้วยว่าตัวเลข "3 เท่า" มาจากชุดทดสอบที่แยกจากผู้ป่วยในโรงพยาบาลกลุ่มเดียวกับชุดฝึก ไม่ใช่จากเนเธอร์แลนด์ ส่วนข้อมูลที่เนเธอร์แลนด์ งานรายงานแบบคะแนนต่อเนื่อง และความสัมพันธ์ต่อหน่วยอ่อนกว่า

อายุจากหน้าตาบอกอะไร

FAHR-FaceAge ทายอายุของคนในชุดข้อมูลสาธารณะ APPA-REAL คลาดเคลื่อนเฉลี่ย 5.1 ปี ดีกว่าโมเดลที่ใช้เทียบ เมื่อนำไปใช้กับผู้ป่วย 38,183 คน ค่ามัธยฐานของ FAD อยู่ที่ 1.1 ปี และ 33% ของผู้ป่วยดูแก่กว่าอายุจริงอย่างน้อย 5 ปี

• ผู้ป่วยที่ดูแก่กว่าอายุจริงอย่างน้อย 5 ปี มีอัตราเสียชีวิตสูงกว่า 21% (adjusted HR 1.21) ส่วนผู้ที่ดูอ่อนกว่าอายุจริงอย่างน้อย 5 ปี ต่ำกว่า 17% (adjusted HR 0.83)
• กลุ่มที่ดูแก่กว่าอายุจริงเกิน 20 ปี เสียชีวิตภายใน 90 วัน 21.3% เทียบกับ 6.4% ในกลุ่มที่ดูอ่อนกว่าอายุจริงอย่างน้อย 10 ปี
• ความต่างนี้มีนัยสำคัญทางสถิติใน 18 จาก 28 ชนิดมะเร็ง ส่วนที่เหลือไปในทิศเดียวกันแต่ไม่ถึงเกณฑ์ ซึ่ง Pratik Shah จาก University of California, Irvine หยิบมาชี้กับ The Boston Globe ว่าโมเดลอาจทำงานได้ไม่สม่ำเสมอในทุกชนิดมะเร็ง
• การดื่มแอลกอฮอล์หนักและการใช้ยาเสพติดสัมพันธ์กับการดูแก่กว่าอายุ และการสูบบุหรี่สัมพันธ์ชัดที่สุด คนที่ยังสูบดูแก่กว่าคนที่เลิกแล้ว และคนที่เลิกแล้วดูแก่กว่าคนที่ไม่เคยสูบ
• ผลไม่เปลี่ยนอย่างมีนัยสำคัญเมื่อแต่งหน้า เปลี่ยนมุมกล้อง แสง หรือสีหน้า และไม่เปลี่ยนหลังผ่าตัดเปลือกตา คิ้ว ดึงหน้า หรือกระดูกใบหน้า ยกเว้นเสริมจมูกที่ทำให้ AI ทายอายุสูงขึ้นเฉลี่ย 1.11 ปี

แผนที่ความสนใจของ AI (attention map) ชี้ว่าโมเดลทายอายุดูร่องแก้มข้างจมูก หน้าผาก และขมับ ส่วนโมเดลทำนายการรอดชีวิตดูบริเวณใต้ตาและรอบจมูก ซึ่งงานวิจัยระบุว่าเป็นบริเวณที่เกี่ยวข้องกับภาวะใกล้เสียชีวิต แต่ Mak ก็บอก The Boston Globe ว่า "เราไม่รู้แน่ชัดว่าอัลกอริทึมเหล่านี้กำลังดูอะไร" แผนที่บอกได้แค่ว่ามองตรงไหน ไม่ได้บอกว่าเห็นอะไร

ทำไมยังไม่ใช่เครื่องมือในคลินิก

งานวิจัยและผู้เชี่ยวชาญพูดตรงกันในข้อนี้ ด้วยเหตุผลหลายข้อ

• เป็นข้อมูลย้อนหลัง: ผลทั้งหมดคำนวณจากผู้ป่วยที่รักษาไปแล้ว ไม่ได้ใช้ AI ช่วยตัดสินใจกับผู้ป่วยจริงแล้ววัดว่าผลการรักษาดีขึ้นหรือไม่ ผู้เขียนเขียนเองว่าต้องมี "การทดลองแบบไปข้างหน้าที่ยืนยันประโยชน์ทางคลินิก"
• มีแต่ผู้ป่วยมะเร็งที่ฉายรังสี: ผู้เขียนระบุว่าเป็นข้อมูลจากศูนย์ในประเทศรายได้สูงเป็นหลัก อาจใช้กับโรคอื่น ภูมิภาคอื่น หรือกลุ่มเชื้อชาติที่มีข้อมูลน้อยไม่ได้
• ยังไม่ได้เทียบกับแพทย์: Bober บอก CNN ว่างาน "ไม่ได้ทดสอบว่า AI เห็นอะไรที่แพทย์มองไม่เห็นหรือไม่" และการทำนายผลไม่เท่ากับการอธิบายสาเหตุ งานนี้เทียบกับอายุและปัจจัยทางคลินิก แต่ไม่ได้เทียบกับการประเมินความแข็งแรงที่แพทย์ทำเป็นประจำ
• คุณภาพภาพยังมีผล: ผู้เขียนยอมรับว่าคุณภาพภาพ แสง และสีหน้ายังกระทบความแม่น จึงต้องมีมาตรฐานการถ่าย

Mak บอก Scientific American ว่ายังมี "งานพัฒนาและการทดสอบทางคลินิกอีกมาก" และหวังให้วันหนึ่งใช้เป็นข้อมูลเสริมในการตัดสินใจรักษาและการดูแลระยะท้าย ส่วนข่าวประชาสัมพันธ์ของ Mass General Brigham อ้างคำพูดของเขาว่าเป้าหมายคือ "สนับสนุนการตัดสินใจรักษาเฉพาะบุคคล ไม่ใช่แทนการตัดสินใจของแพทย์"

ผู้เชี่ยวชาญนอกทีมวิจัยว่าอย่างไร

ผู้เชี่ยวชาญทั้งสี่คนด้านล่างไม่ได้ร่วมวิจัย

IBTimes UK รายงานว่า Bober เปิดเผยว่าเป็นประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของบริษัท Forecom.AI ด้วย

ภาพใบหน้ากับความเป็นส่วนตัว: มีอะไรให้ชั่งใจ

ข้อนี้ไม่มีคำตอบเดียว ด้านล่างคือข้อเท็จจริงจากงานวิจัยและสื่อ เพื่อให้คุณชั่งน้ำหนักเอง

ฝั่งประโยชน์ที่ทีมวิจัยชี้ ภาพใบหน้าถ่ายง่าย ราคาถูก และไม่ต้องเจาะเลือดหรือสแกน ผู้เขียนมองว่าอาจช่วยในที่ที่การประเมินความเปราะบางแบบมาตรฐาน เช่น วัดแรงบีบมือ หรือทดสอบการลุกเดิน ทำได้ยาก และช่วยชี้ผู้ป่วยที่อาจทนการรักษาหนักไม่ไหว

ภาพที่ใช้ฝึกมาจากไหน ชุด WebFace42M เป็นชุดข้อมูลสำหรับวิจัยระบบจดจำใบหน้า เอกสารของผู้สร้างระบุว่ารวบรวมรายชื่อบุคคลราว 4 ล้านชื่อ แล้วดาวน์โหลดภาพใบหน้าจากอินเทอร์เน็ต 260 ล้านภาพ ก่อนคัดเหลือ 42 ล้านภาพจากราว 2 ล้านคน ทีม FAHR-Face ได้ข้อมูลชุดนี้ภายใต้ข้อตกลงการใช้ข้อมูลกับผู้สร้าง

ภาพผู้ป่วยใช้ได้อย่างไร คณะกรรมการจริยธรรมการวิจัยของโรงพยาบาลอนุญาตให้ไม่ต้องขอความยินยอมเป็นลายลักษณ์อักษรรายคน ด้วยเหตุผลว่าความเสี่ยงต่ำ ใช้ข้อมูลทางคลินิกที่มีอยู่แล้ว ไม่กระทบการรักษา และผู้ป่วยจำนวนมากเสียชีวิตแล้ว ข้อมูลผู้ป่วยไม่เปิดเผยต่อสาธารณะเพราะเป็นข้อมูลสุขภาพที่อยู่ใต้ระเบียบคุ้มครองความเป็นส่วนตัวของผู้ป่วย ส่วนโค้ดที่ใช้ฝึกโมเดลเปิดให้ดาวน์โหลด

ความลำเอียง ชุดทดสอบ 3,820 คนเป็นคนผิวขาว 85.2% ผิวดำ 4.8% เอเชีย 3.0% และฮิสแปนิก 1.5% งานวิจัยเองพบว่า FAD แยกความเสี่ยงได้ชัดในผู้ป่วยผิวขาวและเอเชียมากกว่าผิวดำและฮิสแปนิก และเขียนว่าความลำเอียงด้านเชื้อชาติ ชาติพันธุ์ และอายุ "ยังเป็นความเสี่ยงที่เหลืออยู่" ข้อนี้ตรงกับคำถามของ Lam ข้างต้น

ใครจะได้ใช้คะแนนนี้ Liao ตั้งคำถามเรื่องบริษัทประกันและนายจ้าง ผู้เขียนงานวิจัยเรียกร้อง "กฎเกณฑ์และการกำกับดูแลที่ชัดเจน" ควบคู่กับการทดลองเพิ่ม และ Mass General Brigham ยื่นคำขอสิทธิบัตรชั่วคราวในสหรัฐฯ สำหรับอัลกอริทึมสุขภาพจากใบหน้ารุ่นใหม่แล้ว (เลขที่ 63/769,840) โดย Mak, Aerts และ Haugg อยู่ในรายการเปิดเผยผลประโยชน์

โครงการให้คนทั่วไปส่งภาพ The Boston Globe รายงานว่าทีมเปิดเว็บโครงการวิจัย FaceAge ให้ประชาชนอัปโหลดเซลฟี่ 3–10 ภาพ ตอบแบบสอบถาม และเซ็นยินยอม แล้วได้ค่าอายุจากหน้าตากลับไป ส่วนภาพจะใช้ศึกษาต่อ มีคนสมัครแล้วกว่า 10,000 คนตั้งแต่เปิดเงียบ ๆ ในเดือนมีนาคม ทีมย้ำว่า "เครื่องมือนี้มีไว้เพื่อวิจัย ไม่ใช่วินิจฉัย" และข่าวไม่ได้กล่าวถึงคะแนนความเสี่ยงเสียชีวิตบนเว็บนี้ ทั้งข่าวและหน้าเว็บที่ ReadEval เปิดได้ไม่ได้บอกว่าภาพถูกเก็บที่ไหน นานแค่ไหน หรือใครเข้าถึงได้ ReadEval ไม่แนะนำให้ใช้เว็บนี้เพื่อประเมินสุขภาพตัวเอง และประเมินว่าภาพใบหน้าต่างจากรหัสผ่านตรงที่เปลี่ยนไม่ได้ ถ้าคุณคิดจะส่งภาพหน้าตัวเองให้บริการใดก็ตาม จึงควรอ่านเงื่อนไขการเก็บและการลบข้อมูลก่อนเสมอ

ใช้ได้ในไทยไหม

• ยังไม่มีให้ใช้ทางการแพทย์ที่ไหน ทั้งในสหรัฐฯ และในไทย งานนี้เป็นงานวิจัย และไม่มีข่าวว่าจะเป็นผลิตภัณฑ์เมื่อไร
• ไม่รู้ว่าแม่นกับผู้ป่วยไทยแค่ไหน ข้อมูลผู้ป่วยมาจากบอสตันและเนเธอร์แลนด์ ในชุด Harvard-RT มีผู้ป่วยเอเชีย 1,239 คน หรือราว 3% และงานไม่ได้แยกผลตามสัญชาติ ReadEval จึงยืนยันไม่ได้ว่าผลจะเหมือนกันกับคนไทย
• โครงการให้คนทั่วไปส่งภาพ ReadEval ยืนยันไม่ได้ว่าเปิดรับผู้เข้าร่วมนอกสหรัฐฯ หรือไม่ และกฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทยจะครอบคลุมภาพที่ส่งไปต่างประเทศอย่างไร

ความน่าเชื่อถือของผลวัด

รวม 3 จาก 6 ข้อ ป้าย 🟡 พอใช้อ้างอิงได้ เป็นหลักฐานที่ดีว่าภาพใบหน้าของผู้ป่วยมะเร็งมีสัญญาณที่สัมพันธ์กับการรอดชีวิต แต่ยังไม่ใช่หลักฐานว่าการใช้ AI ตัวนี้จะช่วยผู้ป่วยได้จริง

สิ่งที่แหล่งข่าวรายงานไม่ตรงกัน

• 34,363 ภาพหรือ 34,363 คน: สื่อส่วนใหญ่ใช้ทั้งสองคำสลับกัน ในงานเองบทคัดย่อเขียนว่าภาพ แผนภาพเขียนว่าผู้ป่วย ส่วนฉบับร่างบน arXiv เมื่อมิถุนายน 2025 ใช้ 34,389 ภาพ และ adjusted HR 3.22 ข่าวนี้ยึดตัวเลขในฉบับที่ตีพิมพ์
• "ความเสี่ยงสูงกว่า 3 เท่า" กับ "โอกาสรอด": พาดหัวหลายสำนัก เช่น The Star ที่ใช้ข่าวจาก PA Media/dpa เขียนว่า AI ตรวจ "โอกาสรอดจากมะเร็งได้จากภาพเดียว" แต่ตัวเลขในงานเป็นอัตราการเสียชีวิตเทียบระหว่างกลุ่ม ไม่ใช่ความน่าจะเป็นรายบุคคล ตามที่ IBTimes UK อ้าง Bober ว่าคะแนนเรียงความเสี่ยงสัมพัทธ์ได้ แต่ยังไม่ผ่านการตรวจสอบว่าเป็นโอกาสรอดของแต่ละคน
• ผลของแสงและสีหน้า: งานวิจัยรายงานว่าแสง มุมกล้อง และสีหน้าไม่ทำให้ค่าอายุต่างอย่างมีนัยสำคัญ แต่ IBTimes UK รายงานว่า Bober ชี้ว่ารอยยิ้มหรือแสงทำให้ค่าเปลี่ยนเฉลี่ยราว 2 ปี ส่วนบทอภิปรายของงานเองก็ยอมรับว่าคุณภาพภาพ แสง และสีหน้า "ยังอาจกระทบความแม่น" ReadEval ยังไม่เห็นตัวเลขที่ Bober อ้างในเนื้อหาหลักของงาน
• "ครั้งแรกของโลก": ประโยคว่าเป็น AI ตัวแรกที่ทำนายการรอดชีวิตของผู้ป่วยมะเร็งจากภาพใบหน้าโดยตรงเป็นคำของผู้เขียนเอง ซึ่งเขียนกำกับว่า "เท่าที่เราทราบ" และ Shah ชี้ว่าการทายอายุจากใบหน้าไม่ใช่เรื่องใหม่
• นับ 90 วันจากเมื่อไร: Scientific American เขียนว่าผู้ป่วยเสียชีวิต "ภายใน 90 วันหลังถ่ายภาพ" เนื้อหาหลักของงานไม่ได้ระบุจุดเริ่มนับชัด ReadEval จึงเขียนเพียงว่า "ภายใน 90 วัน"
• The Guardian: รายการข่าวต้นทางอ้างถึงรายงานของ The Guardian แต่ ReadEval เปิดหน้าข่าวนั้นไม่ได้ จึงไม่ได้ใช้เป็นแหล่งข้อมูล