L’età biologica derivata dalle immagini attraverso più organi è collegata alla mortalità e agli esiti di salute legati all’invecchiamento

Perché alcuni corpi invecchiano più rapidamente di altri

Due persone possono avere la stessa data di nascita e tuttavia condizioni di salute molto diverse. Una potrebbe correre maratone, mentre l’altra soffre di malattie cardiache o perdita di memoria. Questo studio pone una domanda semplice ma potente: le immagini mediche dei nostri organi possono rivelare quanti anni ha davvero il nostro corpo all’interno e questi “anni nascosti” possono avvertirci di malattie future e persino di una morte precoce?

Osservare sette organi chiave

I ricercatori hanno analizzato scansioni di oltre 70.000 partecipanti allo UK Biobank, un grande studio sulla salute di persone di mezza età e anziane. Si sono concentrati su sette organi centrali nelle malattie legate all’età: cervello, cuore, fegato, pancreas, milza, entrambi i reni e lo strato sensibile alla luce sul retro dell’occhio (acquisito con imaging oculare piuttosto che con risonanza magnetica). Queste scansioni catturano l’aspetto e il movimento degli organi con grande dettaglio, ma i modelli di invecchiamento nascosti in esse sono troppo complessi per essere individuati a occhio nudo.

Insegnare ai computer a leggere l’età degli organi

Per decodificare quei modelli, il team ha usato il deep learning, una forma di intelligenza artificiale eccellente nel trovare struttura nelle immagini. Per ogni organo hanno addestrato un modello su scansioni di persone considerate sane per quell’organo, usando l’età anagrafica come sostituto della loro età biologica “normale”. Il computer ha imparato come appare tipicamente un organo a 50, 60 o 70 anni senza che qualcuno selezionasse manualmente le caratteristiche. Applicati alla popolazione più ampia, i modelli hanno prodotto un’età prevista per l’organo; sottraendo l’età reale da questo valore si otteneva un “gap di età previsto”. Un gap positivo indicava che l’organo sembrava più vecchio del previsto (invecchiamento accelerato), mentre un gap negativo suggeriva che appariva più giovane (invecchiamento rallentato).

Invecchiamento disomogeneo nel corpo

I modelli hanno seguito con precisione l’età per tutti e sette gli organi, con il cervello che mostrava la corrispondenza più stretta tra età prevista e reale, probabilmente perché la sua struttura cambia in modo marcato e coerente nel tempo. Tuttavia, i diversi organi non invecchiavano all’unisono. Per la maggior parte delle persone, i gap di età previsti per un organo erano in gran parte indipendenti da quelli degli altri. Collegamenti più forti apparivano solo tra organi accoppiati, come i due reni e i due occhi, e tra gli organi addominali, dove il modello di invecchiamento del fegato mostrava legami moderati con quelli degli organi vicini. Questo schema a mosaico supporta l’idea che l’invecchiamento non sia un processo unico e uniforme ma un mosaico: il cuore di una persona può invecchiare più velocemente mentre il cervello o i reni di un’altra guidano il processo.

Segni precoci di malattia e mortalità

La prova cruciale era se questi gap di età degli organi avessero realmente importanza per la salute. I ricercatori hanno seguito i partecipanti nel tempo, registrando chi sviluppava condizioni importanti come il morbo di Alzheimer, infarti, malattia renale cronica e diabete di tipo 2, e chi è deceduto durante il periodo di studio. Le persone il cui cervello, cuore o pancreas apparivano più vecchi dell’età anagrafica affrontavano un rischio chiaramente più elevato di mortalità precoce. Un cervello dall’aspetto più anziano prevedeva fortemente l’insorgenza successiva del morbo di Alzheimer; un cuore dall’aspetto più anziano preannunciava infarti e malattie cardiache croniche; e reni più vecchi segnalavano una probabilità notevolmente maggiore di malattia renale cronica. In molti casi, gli organi apparivano biologicamente più vecchi anni prima di qualsiasi diagnosi, suggerendo che le età basate sulle immagini potrebbero funzionare come luci di allarme molto prima della comparsa dei sintomi.

Come il modello vede l’invecchiamento

Per verificare che il computer prestasse attenzione a cambiamenti significativi piuttosto che a rumore casuale, il team ha visualizzato quali parti di ogni immagine influenzavano maggiormente le stime di età. Per il cervello, il modello si è concentrato sugli spazi pieni di liquido che aumentano quando il tessuto cerebrale si riduce con l’età. Nelle immagini oculari si è focalizzato sui vasi sanguigni e sul disco ottico, noti per cambiare con l’invecchiamento. Nel cuore ha evidenziato le pareti muscolari e la principale camera di pompaggio, e nei reni e nel fegato ha enfatizzato le regioni associate al flusso sanguigno e alla forma dell’organo. Questi schemi corrispondevano alle conoscenze mediche consolidate, dando fiducia che le previsioni del modello riflettano cambiamenti biologici reali.

Cosa significa per la cura della salute futura

Nel complesso, questi risultati mostrano che semplici scansioni, interpretate dall’IA moderna, possono stimare quanto i nostri organi si comportino biologicamente in termini di età e che queste età nascoste contengono informazioni reali su malattie future e sopravvivenza. Il lavoro è ancora agli inizi: lo studio ha incluso per lo più adulti più anziani provenienti da contesti relativamente simili, e le soglie esatte tra invecchiamento “normale” e “accelerato” non sono ancora definite. Ma se convalidato in gruppi più diversi e combinato con altri dati sanitari, l’età biologica basata sull’imaging potrebbe diventare uno strumento potente per la medicina personalizzata—aiutando i medici a identificare quali organi necessitano di cure extra molto prima che la malattia prenda piede.

Citazione: Ecker, V., Yang, B., Gatidis, S. et al. Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes. npj Aging 12, 51 (2026). https://doi.org/10.1038/s41514-026-00377-7

Parole chiave: età biologica, imaging medico, deep learning, invecchiamento multi-organo, predizione del rischio di malattia