Un orologio multimodale di invecchiamento retinico per la predizione dell’età biologica e la valutazione della salute sistemica tramite OCT e imaging del fundus

Perché gli occhi possono rivelare più di quanto sembri

I minuscoli vasi sanguigni e le fibre nervose nella parte posteriore dell’occhio sono tra le poche parti del corpo in cui i medici possono osservare direttamente tessuto vivo. Questo studio pone una domanda provocatoria: esami oculari di routine possono rivelare quant’è “vecchio” il corpo — la sua età biologica — e persino indicare il carico complessivo di malattia e il rischio di morte con maggiore accuratezza rispetto al numero di candeline sulla torta dell’ultimo compleanno?

Guardare all’età biologica, non solo al compleanno

L’età cronologica è semplicemente il tempo trascorso dalla nascita. L’età biologica riflette quanto gli organi e i tessuti sono usurati o preservati. Due persone di 65 anni possono avere prospettive di salute molto diverse, a seconda della velocità con cui i loro corpi sono invecchiati. I tradizionali orologi biologici si basano su esami del sangue che misurano DNA o proteine, spesso costosi e invasivi. Gli autori hanno esplorato un’alternativa più semplice: usare due test di imaging oculare comuni — fotografie del fundus a campo ultralargo e tomografia a coerenza ottica (OCT) — combinati con l’intelligenza artificiale (IA) per stimare l’età biologica dalla retina, una finestra sulla salute vascolare, nervosa e metabolica dell’organismo.

Insegnare a un’IA a leggere l’età nella retina

Il team ha addestrato un modello di deep learning su oltre 12.000 immagini del fundus e 7.700 scansioni OCT provenienti da 2.467 pazienti. Nel primo esperimento, l’“orologio” dell’IA è stato addestrato solo su occhi privi di malattie strutturali importanti e poi testato sia su occhi sani sia su occhi malati. Nel secondo esperimento, il modello è stato riaddestrato su un campione più eterogeneo di occhi, includendo quattro condizioni comuni che deformano la retina: degenerazione maculare legata all’età, retinopatia diabetica, membrana epiretinica e miopia patologica o elevata. In questa seconda fase, l’IA ha ricevuto anche l’etichetta diagnostica per ciascun occhio. In entrambe le configurazioni, l’obiettivo del modello era predire l’età dalle immagini; i ricercatori hanno poi trattato quell’età predetta come età biologica e valutato quanto bene riflettesse lo stato generale di salute.

Età dell’occhio vs carico di malattia dell’intero organismo

Per collegare l’età retinica alla salute generale, gli autori hanno utilizzato l’Indice di Comorbilità di Charlson (CCI), un punteggio ampiamente usato che somma le malattie croniche gravi di una persona e predice il rischio di morte a un anno. Hanno confrontato quanto l’età cronologica rispetto all’età biologica derivata dall’IA correlasse con il CCI, e hanno costruito semplici modelli statistici per vedere quale predicesse meglio il CCI. In entrambi gli esperimenti, l’età biologica stimata dalle immagini retiniche catturava in genere il carico di comorbilità più fortemente dell’età cronologica, soprattutto negli occhi con malattia strutturale. Quando nel secondo studio sono state aggiunte le etichette di malattia, l’accuratezza del modello è migliorata sostanzialmente: l’errore medio di predizione dell’età nel set di test è sceso a circa sei anni, e l’età biologica tendeva comunque a sovraperformare l’età anagrafica nel riflettere la malattia complessiva, in particolare nei pazienti con retine visibilmente anomale.

Cosa vede effettivamente l’IA nell’occhio

Per dare uno sguardo al “processo di pensiero” dell’IA, i ricercatori hanno generato mappe di calore che mostrano quali parti di ciascuna immagine hanno influenzato maggiormente le sue predizioni. Piuttosto che concentrarsi esclusivamente sulla macula centrale, il modello ha costantemente focalizzato l’attenzione sulla testa del nervo ottico, sullo strato delle fibre nervose circostante e su strati vascolari più profondi come la coroide. Queste sono strutture note per assottigliarsi e irrigidirsi con l’età e per essere sensibili a variazioni di pressione e di flusso sanguigno. I pattern di attenzione dell’IA risultavano simili attraverso malattie oculari molto diverse, suggerendo che aveva appreso indicatori di invecchiamento robusti e basati sull’anatomia piuttosto che limitarsi a memorizzare categorie di malattia. Interessante notare che, quando nelle fasi di addestramento sono state incluse immagini con malattia, il modello ha iniziato a prestare una certa maggiore attenzione alle aree maculari in condizioni come la degenerazione maculare, suggerendo che l’addestramento specifico per la malattia aiuta a riconoscere meglio quei pattern.

Limiti, avvertenze e possibilità future

Lo studio presenta dei limiti. Tutti i dati provengono da un unico centro medico accademico e molti pazienti avevano punteggi CCI bassi, il che riduce la capacità di rilevare collegamenti statistici forti. Lo stesso CCI è uno strumento datato che potrebbe non cogliere pienamente gli schemi moderni delle malattie croniche. Alcune correlazioni, in particolare nella degenerazione maculare, sono state deboli o incoerenti. Eppure, nonostante una dimensione del campione modesta rispetto ai grandi biobanche di popolazione, il modello ha raggiunto un’accuratezza competitiva nella predizione dell’età e, cosa cruciale, ha collegato l’età biologica retinica a una misura validata del carico di malattia sistemica.

Cosa significa per pazienti e clinici

Per il pubblico generale, il messaggio chiave è che esami oculari di routine potrebbero un giorno fare molto più che controllare la necessità di occhiali o rilevare malattie oculari. Leggendo cambiamenti sottili nei nervi e nei vasi della retina, l’IA potrebbe stimare quanto il corpo sia effettivamente “vecchio” e segnalare persone i cui tessuti invecchiano più rapidamente di quanto suggeriscano gli anni di calendario. Questo orologio di invecchiamento retinico non è ancora uno strumento da letto del paziente, ma indica una direzione futura nella quale un rapido esame oculare non invasivo potrebbe contribuire all’individuazione precoce di rischi nascosti per la salute, guidando interventi preventivi molto prima che le malattie gravi diventino evidenti.

Citazione: 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

Parole chiave: imaging retinico, età biologica, intelligenza artificiale, salute sistemica, malattia oculare