人工智能衍生的视网膜年龄差：女性生殖衰老的新型无创生物标志物研究

本研究针对女性生殖衰老评估中抗缪勒管激素(AMH)检测的侵入性及波动性问题，创新性地开发了基于Swin-Transformer双通道迁移学习模型(FLEX)，通过1294名健康女性的视网膜图像分析发现视网膜年龄差（预测年龄与实际年龄差值）与AMH水平呈负相关（尤其在40-50岁群体）。该研究首次建立视网膜微血管特征与卵巢储备功能的关联，结合基因组数据构建多模态预测模型，为生殖健康监测提供了突破性的无创评估工具。

　　

女性生殖衰老是一个伴随生育力下降、疾病易感性增加和全身老化的复杂生物学过程。当前评估卵巢储备的金标准——抗缪勒管激素(AMH)检测存在明显局限：需要抽血检查且受激素波动影响，更重要的是，AMH水平与血管老化存在双向关联，这促使研究者思考是否存在更便捷的无创评估方法。视网膜作为人体唯一可直接观察的微循环系统，其血管特征已被证明能反映全身衰老状态。那么，视网膜图像能否成为窥探生殖衰老的"窗口"？来自温州医科大学眼视光医院、南方医科大学等机构的研究团队在《npj Digital Medicine》发表的研究给出了肯定答案。

研究团队开发了名为FLEX的深度学习框架，核心采用Swin-Transformer架构，通过20,139张健康人群视网膜图像预训练模型，再针对1,294名25-50岁女性（分为高、中、低AMH三组）进行迁移学习。关键技术包括：1）双通道迁移学习策略（冻结预训练权重与动态调参并行）；2）视网膜年龄差计算模型；3）基因组数据整合（8,089,940个SNP通过GWAS和LassoNet筛选）；4）多模态融合预测（SNPs-AST模型结合图像与遗传数据）。

【视网膜年龄预测模型构建】
FLEX模型在健康队列中表现出色（R²
=0.91，MAE=2.69岁），迁移至女性队列后仍保持高精度（R²
=0.68）。特别值得注意的是模型的空间一致性验证——左右眼预测相关性达0.90，两年时间跨度预测MAE仅1.83年，证明其稳定性。

【视网膜年龄差与AMH关联】
在40-50岁女性中，低AMH组视网膜年龄差显著高于高AMH组（0.71±2.50 vs 0.36±2.77岁，P=0.021）。每增加1岁视网膜年龄差，40-44岁女性低AMH风险上升12%（OR=1.12），45-50岁群体风险更高达20%。模型可视化显示血管区域（尤其是视盘周围）是年龄预测的关键特征。

【生殖特征影响机制】
首次生育年龄每推迟1年，30-34岁女性低AMH风险降低17%。绝经年龄与视网膜年龄差显著负相关（R=-0.17），视网膜年龄差每增加1岁，45岁前绝经风险升高36%。性激素分析显示FSH和PRL高水平者视网膜年龄差更大。

【遗传基础与多模态预测】
GWAS发现4,000个SNP与视网膜年龄差相关，GO分析揭示突触膜、离子通道复合体等38个关键细胞组分。KEGG通路富集到孕酮介导的卵母细胞成熟、催产素信号等生殖相关通路。结合视网膜图像与SNP的多模态模型使AMH预测精度提升至R²
=0.52。

这项研究开创性地建立了视网膜微血管老化与生殖衰老的关联，其重要意义体现在三方面：首先，视网膜年龄差作为无创生物标志物，可动态监测卵巢储备变化，弥补AMH检测的不足；其次，发现血管老化与生殖衰老共享遗传基础（如离子通道调控通路），为理解两者共病机制提供新视角；最后，研发的多模态预测框架为个体化健康管理提供技术支撑。未来研究可拓展至多民族人群及病理状态（如早发性卵巢功能不全），推动这项技术向临床转化。正如研究者强调的，这项成果标志着"眼睛不仅是心灵之窗，更成为生殖健康的监测窗"。