Wielomodalny zegar starzenia siatkówki do prognozowania wieku biologicznego i oceny stanu zdrowia systemowego za pomocą OCT i obrazowania dna oka

Dlaczego oczy mogą ujawniać więcej, niż się wydaje

Drobne naczynia krwionośne i włókna nerwowe z tyłu oka należą do nielicznych miejsc w ciele, gdzie lekarze mogą bezpośrednio zobaczyć żywą tkankę. W tym badaniu postawiono prowokujące pytanie: czy rutynowe skany oka mogą ujawnić, jak „stare” jest ciało — jego wiek biologiczny — a nawet wskazać na ogólne obciążenie chorobowe i ryzyko śmierci dokładniej niż liczba świeczek na torcie urodzinowym?

Patrząc na wiek biologiczny, nie tylko na datę urodzenia

Wiek chronologiczny to po prostu czas, który przeżyliśmy. Wiek biologiczny odzwierciedla stopień zużycia lub zachowania naszych narządów i tkanek. Dwie osoby w wieku 65 lat mogą mieć bardzo różne rokowania zdrowotne, w zależności od tempa, w jakim ich ciała się zestarzały. Tradycyjne „zegary” biologiczne opierają się na badaniach krwi mierzących DNA lub białka, co bywa kosztowne i inwazyjne. Autorzy zbadali prostszą alternatywę: wykorzystanie dwóch powszechnych badań obrazowych oka — ultrawide-field fundus oraz optycznej koherentnej tomografii (OCT) — w połączeniu z sztuczną inteligencją (AI), aby oszacować wiek biologiczny na podstawie siatkówki, będącej oknem do stanu naczyń, nerwów i metabolizmu organizmu.

Nauczanie AI „czytania” wieku w siatkówce

Zespół wytrenował głęboką sieć na ponad 12 000 zdjęć dna oka i 7 700 skanach OCT pochodzących od 2 467 pacjentów. W pierwszym eksperymencie „zegarek wieku” AI był trenowany tylko na oczach bez istotnych zmian strukturalnych, a następnie testowany zarówno na oczach zdrowych, jak i chorych. W drugim eksperymencie model został przetrenowany na szerszym zbiorze oczu, obejmującym cztery powszechne stany deformujące siatkówkę: zwyrodnienie plamki związane z wiekiem, retinopatię cukrzycową, błonę przedplamkową (epiretinal membrane) oraz patologiczną lub wysoką krótkowzroczność. W tej drugiej rundzie AI otrzymywała również etykietę choroby dla każdego oka. W obu ustawieniach celem modelu było przewidzenie wieku na podstawie obrazów; badacze traktowali potem tę przewidzianą wartość jako wiek biologiczny i sprawdzali, jak dobrze koreluje z ogólnym stanem zdrowia.

Wiek oka a ogólne obciążenie chorobowe

Aby powiązać wiek siatkówki ze zdrowiem ogólnym, autorzy użyli Charlson Comorbidity Index (CCI) — powszechnie stosowanego wskaźnika sumującego poważne, długotrwałe choroby i przewidującego roczne ryzyko zgonu. Porównali, jak dobrze wiek chronologiczny versus wiek biologiczny wyznaczony przez AI koreluje z CCI, a także zbudowali proste modele statystyczne, aby zobaczyć, który lepiej przewiduje CCI. We wszystkich eksperymentach wiek biologiczny wyciągnięty z obrazów siatkówki ogólnie lepiej uchwycił obciążenie współistniejącymi chorobami niż wiek chronologiczny, zwłaszcza w oczach ze zmianami strukturalnymi. Gdy w drugim badaniu dodano etykiety chorób, dokładność modelu znacznie się poprawiła: średni błąd wieku w zestawie testowym spadł do około sześciu lat, a wiek biologiczny nadal zwykle przewyższał wiek metrykalny w odzwierciedlaniu ogólnego stanu zdrowia, szczególnie u pacjentów z widocznymi zmianami na siatkówce.

Co AI naprawdę „widzi” w oku

Aby zajrzeć do „procesu myślowego” AI, badacze wygenerowali mapy ciepła pokazujące, które części obrazu najbardziej wpływały na prognozy. Zamiast skupiać się na centralnej plamce, model konsekwentnie koncentrował uwagę na tarczy nerwu wzrokowego, otaczającej warstwie włókien nerwowych oraz głębszych warstwach naczyniowych, takich jak naczyniówka. To struktury znane z tego, że z wiekiem ulegają przerzedzeniu i stwardnieniu oraz są wrażliwe na zmiany ciśnienia i przepływu krwi. Wzorce uwagi AI były podobne w różnych chorobach oka, co sugeruje, że nauczył się on solidnych, anatomicznych wskaźników starzenia, zamiast jedynie zapamiętywać kategorie chorób. Co ciekawe, gdy do treningu włączono obrazy z chorobami, model zaczął przywiązywać nieco większą wagę do obszarów plamki w stanach takich jak zwyrodnienie plamki, co wskazuje, że szkolenie z uwzględnieniem chorób pomaga mu lepiej rozpoznawać specyficzne wzorce.

Ograniczenia, zastrzeżenia i przyszłe możliwości

Badanie ma pewne ograniczenia. Wszystkie dane pochodziły z jednego ośrodka akademickiego, a wielu pacjentów miało niskie wyniki CCI, co osłabia możliwość wykrycia silnych związków statystycznych. Sam CCI jest narzędziem starszym i może nie oddawać w pełni współczesnych wzorców chorób przewlekłych. Niektóre korelacje, zwłaszcza przy zwyrodnieniu plamki, były słabe lub niekonsekwentne. Mimo to, pomimo stosunkowo umiarkowanej wielkości próby w porównaniu z ogromnymi biobankami populacyjnymi, model osiągnął konkurencyjną dokładność przewidywania wieku i, co kluczowe, powiązał wiek biologiczny siatkówki z zatwierdzonym miernikiem ogólnego obciążenia chorobowego.

Co to oznacza dla pacjentów i klinicystów

Dla Czytelnika najważniejsze przesłanie jest takie, że rutynowe skany oka mogą pewnego dnia robić znacznie więcej niż sprawdzanie recepty na okulary czy wykrywanie chorób oczu. Czytając subtelne zmiany w nerwach i naczyniach siatkówki, AI mogłaby oszacować, jak „stare” jest ciało i wskazać osoby, których tkanki starzeją się szybciej niż wskazywałby na to wiek metrykalny. Ten zegar starzenia siatkówki nie jest jeszcze narzędziem przyłóżkowym, ale wyznacza kierunek przyszłości, w której szybkie, nieinwazyjne badanie oka mogłoby przyczynić się do wczesnego ostrzegania o ukrytych zagrożeniach zdrowotnych, pomagając kierować opieką zapobiegawczą jeszcze zanim poważna choroba stanie się widoczna.

Cytowanie: 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

Słowa kluczowe: obrazowanie siatkówki, wiek biologiczny, sztuczna inteligencja, zdrowie systemowe, choroby oczu