整合基因、年龄与影像以预测增生性年龄相关性黄斑变性治疗结局：概念验证研究

这对视力与衰老为何重要

随着人均寿命延长，越来越多的人面临年龄相关性黄斑变性的风险，这种疾病会夺走中央视力，使阅读或驾驶等日常活动变得困难甚至不可能。临床上已有可有效减缓或阻止这种侵袭性疾病（湿性）的眼内注射治疗，但患者对治疗的反应和所需的治疗频率差异很大。本研究探讨是否将基因信息、眼部扫描和年龄三方面的数据结合起来，可以帮助医生预测谁最有可能从治疗中受益以及疾病随时间如何变化，从而为更个性化的眼科护理铺平道路。

将三条线索汇聚

研究者聚焦于增生性年龄相关性黄斑变性，即由视网膜下新生血管渗漏引发的“湿性”形式。全部106名参与者在同一专科眼科医院接受基于“治疗并延长”（treat-and-extend）方案的抗VEGF注射治疗，这是控制该病的标准药物方案。对于每位患者，研究团队收集了现代门诊常规可得的三类信息：视网膜的详细断层扫描（OCT扫描）、用于基因检测的血样以及首次注射时的年龄等简单人口学资料。

用人工智能解读视网膜

OCT扫描可以揭示微小的液体囊以及视网膜的其它结构性改变，这些信号指示活动性病变。研究团队并未依赖人工阅片，而是使用深度学习模型自动测量若干关键特征的体积，包括视网膜内外的液体以及感光层下的隆起。这些测量作为客观指标，表明治疗开始时眼睛的损伤程度或活动性。主要目标是预测眼睛在治疗开始两年后是否会“干”（基本上无可见液体），这一状态反映病情平静，并可在影像上直接验证。

将遗传负荷作为额外线索

研究还纳入了多基因风险评分（polygenic risk score），这是将与黄斑变性相关的众多常见基因变体的综合效应归为单一数值的指标。该评分本身并非用于直接预测治疗反应，更多地反映某人发展该病的易感程度以及发病年龄的早晚。在这组队列中，受试者的遗传风险普遍高于普通人群；得分较高者倾向于在更年轻时开始治疗，提示遗传负荷会使疾病更早出现，即便它并不直接决定眼睛对注射的即时反应。

组合模型的表现如何

为检验融合这些线索是否能改善预测，研究者构建了使用不同年龄、影像和遗传数据组合的机器学习模型。仅用眼部扫描特征来预测两年后的干燥黄斑时，模型表现尚可；当加入遗传风险评分和年龄后，模型区分最终会变干与不会变干的眼睛的能力显著提升，按常见统计标准达到了较高的准确度。

对患者与未来的意义

对于正与黄斑变性抗争或有患病风险的人群，这项概念验证研究表明，更加个体化的治疗策略或将成为可能。通过结合个体的遗传风险、视网膜结构的细微特征与年龄，医生未来可能更准确地估算实现平静、无液体黄斑的几率，并据此安排随访和治疗计划。目前研究样本量较小且来源于单一中心，因此其模型尚不具备常规临床应用价值，且侧重解剖学结局而非日常视觉体验。尽管如此，结果表明将遗传学与先进影像整合进单一人工智能框架在技术上可行且在生物学上有理可循，为更大规模的研究奠定了基础，这些研究或可将精准医学引入眼科一线诊疗。

引用: Moghul, I., Pontikos, N., Sharma, A. et al. Integrating genetics, age and imaging to predict treatment outcomes in neovascular age-related macular degeneration: a proof-of-concept study. Sci Rep 16, 12489 (2026). https://doi.org/10.1038/s41598-026-41931-3

关键词: 年龄相关性黄斑变性, 遗传风险评分, 视网膜影像, 人工智能, 个性化眼科治疗