Une horloge de vieillissement rétinien multimodale pour la prédiction de l’âge biologique et l’évaluation de la santé systémique via OCT et imagerie du fond d’œil

Pourquoi les yeux peuvent révéler plus qu’il n’y paraît

Les minuscules vaisseaux sanguins et fibres nerveuses à l’arrière de l’œil figurent parmi les rares parties du corps où les cliniciens peuvent observer directement des tissus vivants. Cette étude pose une question provocante : des examens oculaires de routine peuvent-ils révéler à quel point le corps est réellement « âgé » — son âge biologique — et même indiquer la charge globale de maladies et le risque de mortalité d’une personne plus précisément que le nombre de bougies sur son dernier gâteau d’anniversaire ?

Regarder l’âge biologique, pas seulement les anniversaires

L’âge chronologique correspond simplement au temps écoulé depuis notre naissance. L’âge biologique reflète l’état d’usure ou de conservation de nos organes et tissus. Deux personnes de 65 ans peuvent avoir des perspectives de santé très différentes selon la rapidité de leur vieillissement. Les horloges biologiques traditionnelles reposent sur des analyses sanguines mesurant l’ADN ou des protéines, qui peuvent être coûteuses et invasives. Les auteurs ont exploré une alternative plus simple : utiliser deux examens oculaires courants — photographies du fond d’œil à champ ultra-large et tomographie par cohérence optique (OCT) — combinés à l’intelligence artificielle (IA) pour estimer l’âge biologique à partir de la rétine, une fenêtre sur la santé vasculaire, nerveuse et métabolique du corps.

Apprendre à une IA à lire l’âge dans la rétine

L’équipe a entraîné un modèle d’apprentissage profond sur plus de 12 000 images du fond d’œil et 7 700 examens OCT provenant de 2 467 patients. Dans la première expérience, l’« horloge d’âge » IA a été entraînée uniquement sur des yeux sans maladie structurelle majeure, puis testée sur des yeux sains et malades. Dans la deuxième expérience, le modèle a été réentraîné sur un ensemble plus large, incluant quatre affections courantes qui déforment la rétine : dégénérescence maculaire liée à l’âge, rétinopathie diabétique, membrane épirétinienne et myopie pathologique ou élevée. Lors de ce second tour, l’IA a aussi reçu l’étiquette de maladie pour chaque œil. Dans les deux configurations, l’objectif du modèle était de prédire l’âge à partir des images ; les chercheurs ont ensuite traité cet âge prédit comme un âge biologique et évalué dans quelle mesure il reflétait l’état de santé global.

Âge rétinien vs charge de morbidité systémique

Pour relier l’âge rétinien à la santé générale, les auteurs ont utilisé l’indice de comorbidité de Charlson (CCI), un score largement utilisé qui additionne les maladies chroniques graves d’une personne et prédit son risque de décès à un an. Ils ont comparé la corrélation entre le CCI et, d’une part, l’âge chronologique, d’autre part, l’âge biologique dérivé par l’IA, et ont aussi construit des modèles statistiques simples pour voir lequel prédisaient le mieux le CCI. Dans les deux expériences, l’âge biologique dérivé des images rétiniennes reflétait généralement la charge de comorbidités plus fortement que l’âge chronologique, en particulier pour les yeux présentant une maladie structurale. Quand les étiquettes de maladie ont été ajoutées dans la deuxième étude, la précision du modèle s’est nettement améliorée : l’erreur d’âge moyenne sur l’ensemble de test est tombée à environ six ans, et l’âge biologique tendait toujours à mieux refléter la maladie globale que l’âge civil, surtout chez les patients dont la rétine était visiblement anormale.

Ce que l’IA voit réellement dans l’œil

Pour sonder le « processus de pensée » de l’IA, les chercheurs ont généré des cartes de chaleur montrant quelles zones de chaque image influençaient le plus ses prédictions. Plutôt que de se focaliser sur la macula centrale, le modèle s’est systématiquement concentré sur la tête du nerf optique, la couche de fibres nerveuses environnante et des couches vasculaires plus profondes comme la choroïde. Ce sont des structures connues pour s’amincir et se rigidifier avec l’âge et qui sont sensibles aux variations de pression et du flux sanguin. Les schémas d’attention de l’IA étaient similaires à travers des maladies oculaires très différentes, ce qui suggère qu’elle avait appris des indicateurs de vieillissement robustes, basés sur l’anatomie, plutôt que de mémoriser des catégories de maladies. Fait intéressant, lorsque des images de maladies ont été incluses dans l’entraînement, le modèle a commencé à prêter un peu plus d’attention aux régions maculaires dans des affections comme la dégénérescence maculaire, laissant entendre qu’un entraînement incluant les maladies aide à mieux reconnaître ces motifs spécifiques.

Limites, mises en garde et perspectives

L’étude présente des limites. Toutes les données proviennent d’un seul centre universitaire, et de nombreux patients avaient des scores CCI faibles, ce qui réduit la capacité à détecter des liens statistiques forts. Le CCI lui-même est un outil ancien qui peut ne pas capturer pleinement les profils actuels des maladies chroniques. Certaines corrélations, notamment pour la dégénérescence maculaire, étaient faibles ou inconsistantes. Pourtant, malgré une taille d’échantillon modeste comparée aux grands biobanques populationnelles, le modèle a atteint une précision compétitive pour la prédiction d’âge et, surtout, a lié l’âge biologique rétinien à une mesure validée de la charge de morbidité systémique.

Ce que cela signifie pour les patients et les cliniciens

Pour un non-spécialiste, le message principal est que des examens oculaires de routine pourraient un jour faire bien plus que vérifier une correction optique ou dépister une maladie oculaire. En lisant des changements subtils des nerfs et des vaisseaux de la rétine, l’IA pourrait estimer à quel point le corps est réellement « âgé » et signaler les personnes dont les tissus vieillissent plus vite que leur âge civil. Cette horloge de vieillissement rétinien n’est pas encore un outil de chevet, mais elle ouvre la voie à un futur où un examen oculaire rapide et non invasif pourrait contribuer à détecter tôt des risques de santé cachés, guidant la prévention bien avant que des maladies graves ne deviennent évidentes.

Citation: 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

Mots-clés: imagerie rétinienne, âge biologique, intelligence artificielle, santé systémique, maladie oculaire