基于图像的不确定性感知剩余寿命预测

从图像预测与死亡率相关的结果，提供了可及、非侵入式和可扩展的健康筛查前景。我们提出了一种方法，利用预训练的视觉Transformer基础模型，从面部和全身图像中估计剩余寿命，并进行鲁棒的不确定性量化。我们表明，预测不确定性与真实的剩余寿命系统性地变化，并且这种不确定性可以通过为每个样本学习一个高斯分布来有效地建模。我们的方法在现有数据集上实现了最先进的平均绝对误差（MAE）7.48年，并在本工作中整理和发布的两个新的、更高质量的数据集上进一步提高到4.79和5.07年的MAE。重要的是，我们的模型提供了校准良好的不确定性估计，如分桶预期校准误差0.62年所示。尽管不打算用于临床部署，但这些结果突出了从图像中提取医学相关信号的潜力。我们公开了所有代码和数据集，以促进进一步研究。