一种多模态视网膜衰老时钟：通过OCT和眼底影像预测生物学年龄并评估全身健康

为什么眼睛能揭示超出表象的信息

眼球后部的微小血管和神经纤维是少数几个医生可以直接观察活体组织的部位之一。本研究提出了一个耐人寻味的问题：常规眼部扫描能否揭示身体的“真实年龄”——即生物学年龄——甚至比生日上的数字更准确地提示一个人的总体疾病负担和死亡风险？

关注生物学年龄，而不仅仅是出生年月

历时年龄只是简单表示我们活了多长时间。生物学年龄反映器官和组织的磨损或保存状况。两个同为65岁的人，其健康前景可能截然不同，取决于他们身体衰老的速度。传统的生物学时钟依赖于测量DNA或蛋白质的血液检测，这类方法往往成本高且具有侵入性。作者们探索了一种更简单的替代方案：利用两种常见的眼部成像检查——超广角眼底照片和光学相干断层扫描（OCT）——结合人工智能（AI），从视网膜这一反映血管、神经和代谢健康的窗口来估算生物学年龄。

教会AI从视网膜“读出”年龄

研究团队在来自2,467名患者的超过12,000张眼底图像和7,700例OCT扫描上训练了深度学习模型。在第一个实验中，AI“年龄时钟”仅在没有重大结构性疾病的眼睛上训练，然后在健康眼和有病变的眼上测试。在第二个实验中，模型在更广泛的眼睛混合样本上重新训练，其中包括四种常见会变形视网膜的疾病：年龄相关性黄斑变性、糖尿病性视网膜病变、视网膜上膜以及病理性或高度近视。在第二轮中，AI还获得了每只眼的疾病标签。在两种设置下，模型的目标都是从图像预测年龄；研究者随后将该预测年龄视为生物学年龄，并评估它与整体疾病状况的关联程度。

眼龄与整体疾病负担的比较

为将视网膜年龄与整体健康联系起来，作者使用了Charlson合并症指数（CCI），这是一种常用评分，用于汇总一个人严重慢性疾病并预测其一年内的死亡风险。他们比较了历时年龄与AI得出的生物学年龄与CCI的相关性，并构建了简单的统计模型以查看哪一种更能预测CCI。在两个实验中，来自视网膜图像的生物学年龄总体上比历时年龄更能反映合并症负担，尤其是在存在结构性疾病的眼中。当在第二项研究中加入疾病标签后，模型的表现显著提升：测试集上的平均年龄误差降至约六年，生物学年龄在反映总体病情方面仍往往优于日历年龄，尤其是在视网膜有可见异常的患者中。

AI在眼中实际关注的是什么

为探查AI的“思路”，研究者生成了热图，显示哪些图像区域对其预测影响最大。模型并未单纯聚焦中央黄斑，而是一贯关注视神经乳头、周围的神经纤维层以及更深的血管层如脉络膜。这些结构已知会随年龄变薄和变硬，并对压力和血流变化敏感。AI的关注模式在不同眼病之间相似，表明它学到了基于解剖学的稳健衰老指标，而不是简单地记住疾病类别。有趣的是，当训练中包含了有病变的图像时，模型在诸如黄斑变性等病况下开始对黄斑区域给予更多关注，这暗示疾病特异性的训练有助于它更好地识别这些模式。

局限性、注意事项与未来可能性

该研究存在一些局限。所有数据均来自单一学术医疗中心，且许多患者的CCI评分较低，这削弱了发现显著统计关联的能力。CCI本身是较早期的工具，可能无法完全反映现代慢性病的模式。某些相关性，尤其在黄斑变性中，较弱或不一致。尽管与大型人群生物样本库相比样本量有限，模型仍实现了具有竞争力的年龄预测精度，并且关键在于，它将视网膜生物学年龄与经验证的全身疾病负担指标联系了起来。

这对患者和临床医生意味着什么

对普通读者来说，关键信息是，常规眼部扫描将来可能不仅仅用于验光或检查眼病。通过读取视网膜神经和血管的细微变化，AI或能估计身体的“真实”年龄，并标记那些组织衰老速度超过其实际年龄的人群。该视网膜衰老时钟尚未成为床边工具，但它指向这样一个未来：一次快速、无创的眼科检查可能有助于早期发现潜在健康风险，从而在严重疾病显现之前为预防性护理提供指导。

引用: 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

关键词: 视网膜影像, 生物学年龄, 人工智能, 全身健康, 眼部疾病