Eine multimodale retinal-basierte Altersuhr zur Vorhersage des biologischen Alters und zur Beurteilung des systemischen Gesundheitszustands mittels OCT- und Fundusbildgebung

Warum die Augen mehr verraten können, als man auf den ersten Blick sieht

Die winzigen Blutgefäße und Nervenfasern im hinteren Teil des Auges gehören zu den wenigen Stellen im Körper, an denen Ärztinnen und Ärzte lebendes Gewebe direkt einsehen können. Diese Studie stellt eine provokative Frage: Können routinemäßige Augenuntersuchungen offenbaren, wie „alt“ der Körper tatsächlich ist — sein biologisches Alter — und sogar den allgemeinen Krankheitsgrad und das Sterberisiko einer Person genauer anzeigen als die Zahl der Kerzen auf der Geburtstagstorte?

Biologisches Alter statt nur Geburtstage betrachten

Chronologisches Alter beschreibt schlicht, wie lange wir gelebt haben. Biologisches Alter reflektiert, wie sehr unsere Organe und Gewebe abgenutzt oder erhalten sind. Zwei Menschen im Alter von 65 Jahren können sehr unterschiedliche Gesundheitsprognosen haben, je nachdem, wie schnell ihre Körper gealtert sind. Traditionelle biologische Uhren basieren auf Bluttests, die DNA oder Proteine messen, was kostspielig und invasiv sein kann. Die Autorinnen und Autoren untersuchten eine einfachere Alternative: die Kombination zweier gängiger Augenbildgebungsverfahren — ultrabreite Fundusaufnahmen und optische Kohärenztomographie (OCT) — mit künstlicher Intelligenz (KI), um das biologische Alter anhand der Retina zu schätzen, einem Fenster in die Gefäß-, Nerven- und Stoffwechselleistung des Körpers.

Der KI beibringen, Alter in der Retina zu lesen

Das Team trainierte ein Deep-Learning-Modell mit über 12.000 Fundusbildern und 7.700 OCT-Scans von 2.467 Patientinnen und Patienten. Im ersten Experiment wurde die KI‑„Altersuhr“ nur an Augen ohne größere strukturelle Erkrankungen trainiert und dann an gesunden sowie erkrankten Augen getestet. Im zweiten Experiment wurde das Modell auf einem breiteren Mix von Augen neu trainiert, einschließlich vier häufiger Zustände, die die Retina verformen: altersbedingte Makuladegeneration, diabetische Retinopathie, epiretinale Membran und pathologische bzw. hohe Myopie. In dieser zweiten Runde erhielt die KI außerdem das jeweilige Krankheitslabel für jedes Auge. In beiden Setups bestand das Ziel des Modells darin, das Alter aus Bildern vorherzusagen; die Forschenden betrachteten diese vorhergesagte Alterszahl dann als biologisches Alter und prüften, wie gut sie den allgemeinen Krankheitsstatus abbildete.

Augenalter versus gesamtkörperliche Krankheitslast

Um das retinale Alter mit dem allgemeinen Gesundheitszustand zu verknüpfen, nutzten die Autorinnen und Autoren den Charlson Comorbidity Index (CCI), einen weit verbreiteten Score, der schwere, langfristige Erkrankungen zusammenfasst und das Einjahressterberisiko vorhersagt. Sie verglichen, wie gut chronologisches Alter gegenüber dem KI-abgeleiteten biologischen Alter mit dem CCI korrelierte, und erstellten einfache statistische Modelle, um zu sehen, welches besser den CCI vorhersagte. In beiden Experimenten erfasste das aus retinalen Bildern gewonnene biologische Alter im Allgemeinen die Komorbiditätslast stärker als das chronologische Alter, insbesondere bei Augen mit strukturellen Erkrankungen. Als im zweiten Experiment Krankheitslabels hinzugefügt wurden, verbesserte sich die Modellgenauigkeit deutlich: der durchschnittliche Altersfehler im Testset sank auf etwa sechs Jahre, und das biologische Alter übertraf weiterhin tendenziell das Geburtstagspaket darin, den allgemeinen Krankheitszustand widerzuspiegeln — besonders bei Patientinnen und Patienten mit sichtbar abnormaler Retina.

Was die KI tatsächlich im Auge erkennt

Um einen Einblick in den „Denkprozess“ der KI zu bekommen, erzeugten die Forschenden Heatmaps, die zeigen, welche Bildbereiche die Vorhersagen am stärksten beeinflussten. Anstatt sich ausschließlich auf die zentrale Makula zu konzentrieren, fokussierte das Modell konsequent den Sehnervenkopf, die umliegende Nervenfaserschicht und tiefere Gefäßschichten wie die Aderhaut. Dies sind Strukturen, die mit dem Alter dünner und steifer werden und empfindlich auf Druck- und Durchblutungsänderungen reagieren. Die Aufmerksamkeitsmuster der KI waren bei sehr unterschiedlichen Augenerkrankungen ähnlich, was darauf hindeutet, dass sie robuste, anatomiebasierte Altersindikatoren gelernt hatte, statt lediglich Krankheitskategorien auswendig zu lernen. Interessanterweise richtete das Modell bei Einbeziehung krankheitsbelasteter Bilder im Training etwas mehr Aufmerksamkeit auf makuläre Bereiche bei Erkrankungen wie der Makuladegeneration, was darauf hinweist, dass krankheitsspezifisches Training ihm hilft, solche Muster besser zu erkennen.

Grenzen, Vorbehalte und zukünftige Möglichkeiten

Die Studie hat Einschränkungen. Alle Daten stammten aus einem einzigen universitären Zentrum, und viele Patientinnen und Patienten wiesen niedrige CCI‑Werte auf, was die Fähigkeit schwächt, starke statistische Zusammenhänge zu erkennen. Der CCI selbst ist ein älteres Instrument, das moderne Muster chronischer Erkrankungen möglicherweise nicht vollständig abbildet. Einige Korrelationen, insbesondere bei der Makuladegeneration, waren schwach oder inkonsistent. Dennoch erzielte das Modell trotz einer im Vergleich zu großen Bevölkerungsbiobanken bescheidenen Stichprobengröße eine wettbewerbsfähige Altersvorhersagegenauigkeit und verband — entscheidend — das retinale biologische Alter mit einem validierten Maß der gesamtkörperlichen Krankheitslast.

Was das für Patientinnen, Patienten und Kliniker bedeutet

Für Laien lautet die Kernbotschaft, dass routinemäßige Augenuntersuchungen eines Tages möglicherweise weit mehr leisten könnten als die Prüfung der Brillenstärke oder das Erkennen von Augenerkrankungen. Indem KI subtile Veränderungen in den Nerven und Blutgefäßen der Retina liest, könnte sie schätzen, wie „alt“ der Körper tatsächlich ist, und Personen markieren, deren Gewebe schneller altern als es die Kalenderjahre vermuten lassen. Diese retinale Altersuhr ist noch kein Werkzeug für die klinische Praxis, weist aber auf eine Zukunft hin, in der eine schnelle, nichtinvasive Augenuntersuchung zur frühzeitigen Warnung vor verborgenen Gesundheitsrisiken beitragen und die Präventionsmedizin lange vor dem Auftreten schwerer Erkrankungen steuern könnte.

Zitation: Ludwig, C.A., Salvi, A., Mesfin, Y. et al. A multimodal retinal aging clock for biological age prediction and systemic health assessment via OCT and fundus imaging. Sci Rep 16, 6465 (2026). https://doi.org/10.1038/s41598-026-36518-x

Schlüsselwörter: Retina-Bildgebung, biologisches Alter, künstliche Intelligenz, systemische Gesundheit, Augenerkrankung