En multimodal retinal åldersklocka för biologisk åldersbedömning och systemisk hälsovärdering via OCT och fundusavbildning

Varför ögonen kan avslöja mer än vad som syns vid första anblick

De små blodkärlen och nervfibrerna längst bak i ögat är bland de få platser i kroppen där läkare kan se levande vävnad direkt. Denna studie ställer en provocerande fråga: kan rutinmässiga ögonskanningar avslöja hur ”gammal” kroppen egentligen är — dess biologiska ålder — och till och med antyda en persons totala sjukdomsbörda och dödsrisk mer precist än antalet ljus på senaste födelsedagstårtan?

Tittar på biologisk ålder, inte bara födelsedagar

Kronologisk ålder är helt enkelt hur länge vi har levt. Biologisk ålder speglar hur slitna eller bevarade våra organ och vävnader är. Två personer på 65 år kan ha mycket olika hälsoprofiler beroende på hur snabbt deras kroppar åldrats. Traditionella biologiska klockor bygger på blodprov som mäter DNA eller proteiner, vilket kan vara kostsamt och invasivt. Författarna undersökte ett enklare alternativ: att använda två vanliga ögonavbildningstester — ultravidvinkel fundusfotografier och optisk koherenstomografi (OCT) — i kombination med artificiell intelligens (AI) för att uppskatta biologisk ålder från näthinnan, ett fönster mot kroppens vaskulära, nerv- och metabola hälsa.

Att lära en AI att läsa ålder i näthinnan

Teamet tränade en djupinlärningsmodell på över 12 000 fundusbilder och 7 700 OCT-skanningar från 2 467 patienter. I det första experimentet tränades AI-"åldersklockan" endast på ögon utan större strukturell sjukdom och testades sedan på både friska och sjuka ögon. I det andra experimentet tränades modellen om på en bredare blandning av ögon, inklusive fyra vanliga tillstånd som deformera näthinnan: åldersrelaterad makuladegeneration, diabetisk retinopati, epiretinal membran och patologisk eller hög myopi. I denna andra omgång fick AI även varje ögas sjukdomslabel. I båda uppläggen var modellens mål att förutsäga ålder från bilder; forskarna behandlade sedan denna förutsagda ålder som en biologisk ålder och undersökte hur väl den speglade den övergripande sjukligheten.

Ögonsålder kontra kroppens sjukdomsbörda

För att koppla retinal ålder till allmän hälsa använde författarna Charlson Comorbidity Index (CCI), ett allmänt använt poängsystem som summerar en persons allvarliga långtidssjukdomar och förutsäger risken för död inom ett år. De jämförde hur väl kronologisk ålder respektive AI-deriverad biologisk ålder korrelerade med CCI, och byggde också enkla statistiska modeller för att se vilken som bättre förutsade CCI. I båda experimenten fångade den biologiska åldern från retinala bilder generellt sjukdomsbördans omfattning starkare än kronologisk ålder, särskilt i ögon med strukturell sjukdom. När sjukdomslabels lades till i det andra studiet förbättrades modellens noggrannhet avsevärt: dess genomsnittliga åldersfel i testuppsättningen sjönk till omkring sex år, och biologisk ålder tenderade fortfarande att överträffa födelsedagsålder när det gällde att återspegla total sjuklighet, särskilt hos patienter vars näthinnor var synligt abnorma.

Vad AI faktiskt ser i ögat

För att skymta AI:ns ”tankeprocess” genererade forskarna värmekartor som visade vilka delar av varje bild som mest påverkade dess förutsägelser. Istället för att fixera på centrala makulan fokuserade modellen konsekvent på synnervshuvudet, det omgivande nervfiberlagret och djupare vaskulära lager som chorioidea. Det är strukturer som är kända för att tunnas ut och stelna med åldern och som är känsliga för tryck- och blodflödesförändringar. AI:ns uppmärksamhetsmönster var likartade över mycket olika ögonsjukdomar, vilket tyder på att den lärt sig robusta, anatomibaserade åldersindikatorer snarare än att enbart memorera sjukdomskategorier. Intressant nog, när sjukdomsbilder inkluderades i träningen, började modellen lägga något större vikt vid makulära områden i tillstånd som makuladegeneration, vilket antyder att sjukdomsspecifik träning hjälper den att bättre känna igen dessa mönster.

Begränsningar, reservationer och framtida möjligheter

Studien har vissa begränsningar. All data kom från ett enda akademiskt medicinskt center, och många patienter hade låga CCI-poäng, vilket försvårar möjligheten att upptäcka starka statistiska samband. Själva CCI är ett äldre verktyg som kanske inte fullt ut fångar moderna mönster av kronisk sjukdom. Vissa korrelationer, särskilt vid makuladegeneration, var svaga eller inkonsekventa. Trots en måttlig stickprovsstorlek jämfört med stora populationsbiobanker uppnådde modellen konkurrenskraftig åldersprediktionsnoggrannhet och knöt, vilket är avgörande, retinal biologisk ålder till ett validerat mått på kroppens totala sjukdomsbörda.

Vad detta betyder för patienter och kliniker

För en lekman är huvudbudskapet att rutinmässiga ögonskanningar en dag kan göra mycket mer än att kontrollera för glasögonrecept eller ögonsjukdom. Genom att tolka subtila förändringar i näthin- nans nerver och blodkärl kan AI uppskatta hur ”gammal” kroppen egentligen är och upptäcka personer vars vävnader åldras snabbare än vad kalenderåldern antyder. Denna retinala åldersklocka är ännu inte ett verktyg vid sängen, men den pekar mot en framtid där en snabb, icke-invasiv ögonundersökning skulle kunna bidra till tidig varning för dolda hälsorisker och hjälpa till att styra förebyggande vård långt innan allvarlig sjukdom blir uppenbar.

Citering: 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

Nyckelord: retinal avbildning, biologisk ålder, artificiell intelligens, systemisk hälsa, ögonsjukdom