Мультимодальные офтальмологические часы старения сетчатки для предсказания биологического возраста и оценки системного здоровья с помощью OCT и снимков глазного дна

Почему глаза показывают больше, чем кажется

Крошечные кровеносные сосуды и нервные волокна на задней стенке глаза — одни из немногих участков тела, где врачи могут непосредственно видеть живую ткань. В этом исследовании поставлен провокационный вопрос: могут ли рутинные сканы глаз показать, насколько «стар» организм на самом деле — его биологический возраст — и даже точнее указать на общую тяжесть заболеваний и риск смерти, чем количество свечей на последнем праздничном торте?

Глядя на биологический возраст, а не только на дату рождения

Хронологический возраст — это просто продолжительность нашей жизни. Биологический возраст отражает степень износа или сохранности органов и тканей. Двое людей в 65 лет могут иметь очень разный прогноз в зависимости от скорости старения их организмов. Традиционные «часы» биологического возраста базируются на анализах крови, измеряющих ДНК или белки, что может быть дорого и инвазивно. Авторы рассмотрели более простую альтернативу: использование двух распространённых офтальмологических исследований — ультраширокоугольных фотографий глазного дна и оптической когерентной томографии (OCT) — в сочетании с искусственным интеллектом (ИИ) для оценки биологического возраста по сетчатке, которая служит окном в сосудистое, нервное и метаболическое здоровье организма.

Обучение ИИ «читать» возраст по сетчатке

Команда обучила глубокую нейронную сеть более чем на 12 000 фотографиях глазного дна и 7 700 OCT-сканах от 2 467 пациентов. В первом эксперименте «часовой» ИИ обучали только на глазах без крупных структурных повреждений, затем тестировали как на здоровых, так и на больных глазах. Во втором эксперименте модель переобучили на более широком наборе глаз, включая четыре распространённые патологии, деформирующие сетчатку: возрастную макулярную дегенерацию, диабетическую ретинопатию, эпиретинальную мембрану и патологическую или высокую миопию. Во втором эксперименте ИИ дополнительно получал метку болезни каждого глаза. В обеих схемах цель модели состояла в предсказании возраста по изображениям; исследователи затем трактовали это предсказание как биологический возраст и оценивали, насколько хорошо оно отражает общую болезнь.

Возраст глаза против общей тяжести болезней

Чтобы связать возраст сетчатки с общим здоровьем, авторы использовали индекс сопутствующих заболеваний Чарлсона (Charlson Comorbidity Index, CCI) — широко применяемую шкалу, суммирующую серьёзные хронические заболевания человека и предсказывающую риск смерти в течение года. Они сравнили, насколько хронологический возраст и биологический возраст, полученный ИИ, коррелируют с CCI, а также построили простые статистические модели, чтобы выяснить, что лучше предсказывает CCI. В обоих экспериментах биологический возраст, выведенный из изображений сетчатки, как правило, сильнее отражал бремя сопутствующих заболеваний, чем хронологический возраст, особенно в глазах с структурными изменениями. Когда во втором исследовании добавили метки болезней, точность модели заметно повысилась: средняя ошибка предсказания возраста в тестовой выборке снизилась примерно до шести лет, и биологический возраст по-прежнему чаще превосходил календарный возраст в отражении общего состояния здоровья, особенно у пациентов с видимыми изменениями сетчатки.

Что ИИ на самом деле «видит» в глазу

Чтобы заглянуть в «мышление» ИИ, исследователи сгенерировали тепловые карты, показывающие, какие части каждого изображения наиболее влияли на предсказания. Вместо того чтобы фиксироваться на центральной макуле, модель последовательно обращала внимание на диск зрительного нерва, окружающий слой нервных волокон и более глубокие сосудистые слои, такие как хориоидея. Это структуры, известные тем, что они истончаются и теряют упругость с возрастом и чувствительны к изменениям давления и кровотока. Шаблоны внимания ИИ были схожими при очень разных заболеваниях глаза, что указывает на то, что модель усвоила устойчивые анатомические маркеры старения, а не просто запомнила категории заболеваний. Интересно, что при включении изображений с патологиями в обучение модель стала несколько чаще обращать внимание на макулярную область при состояниях, таких как макулярная дегенерация, что намекает на то, что обучение с учётом конкретных заболеваний помогает ей лучше распознавать соответствующие признаки.

Ограничения, оговорки и перспективы

У исследования есть ограничения. Все данные поступили из одного академического медицинского центра, и у многих пациентов были низкие показатели CCI, что ограничивает возможность выявлять сильные статистические связи. Сам CCI — относительно старый инструмент, который может не полностью отражать современные паттерны хронических заболеваний. Некоторые корреляции, особенно при макулярной дегенерации, были слабыми или непоследовательными. Тем не менее, несмотря на относительно небольшую выборку по сравнению с крупными биобанками населения, модель достигла сопоставимой точности в предсказании возраста и, что важно, связала биологический возраст сетчатки с верифицированной мерой бремени заболеваний всего организма.

Что это значит для пациентов и клиницистов

Для непрофессионала ключевое послание такое: рутинные офтальмологические сканы в будущем могут делать гораздо больше, чем просто проверять зрение или искать глазные болезни. Читая тонкие изменения в нервах и кровеносных сосудах сетчатки, ИИ способен оценить, насколько «стар» организм на самом деле, и выявить людей, чьи ткани стареют быстрее, чем предполагают их календарные годы. Эти часы старения сетчатки ещё не являются инструментом для использования у постели больного, но они указывают на будущее, где быстрый, неинвазивный осмотр глаза сможет вносить вклад в раннее предупреждение о скрытых рисках для здоровья и помогать направлять профилактические меры задолго до того, как серьёзные заболевания станут очевидны.

Цитирование: 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

Ключевые слова: изображения сетчатки, биологический возраст, искусственный интеллект, системное здоровье, заболевание глаза