基于UK Biobank血液和体成分标志物的深度学习模型预测38种年龄相关疾病的发病加速

本研究针对多病共存老龄化社会中的关键挑战，开发了名为OnsetNet的神经网络Cox模型，通过整合UK Biobank中60,396名个体的血液指标、体成分数据和人口统计学特征，成功预测了38种年龄相关疾病的发病加速风险（C-index≥0.6）。研究揭示了心血管代谢、血管-神经精神、消化-神经精神三大疾病集群的同步发病模式，并发现19种疾病与全因发病率显著相关。该模型通过梯度显著性分析识别出HbA1c、GGT等关键生物标志物，为早期识别高风险人群提供了新工具，相关成果发表于《GeroScience》。

　　

随着全球老龄化进程加速，多病共存（Multimorbidity）已成为公共卫生领域的重大挑战。研究表明，60岁以上人群中有51%同时患有两种以上慢性疾病，这些患者不仅生活质量显著下降，死亡风险更是健康人群的1.73倍。然而现有医疗体系仍以单病种诊疗为主，对疾病间的关联机制和同步发病规律认识有限。更关键的是，传统研究多关注疾病是否发生，而忽视了发病年龄这一重要维度——早期发病的癌症患者后续心血管疾病风险显著增加，某些生活方式因素甚至仅影响发病年龄而不改变患病几率。这些发现提示，揭示疾病发病加速的关联模式可能为理解衰老进程提供新视角。

为破解这一难题，Westminster大学研究中心的Mica Xu JiD团队联合加拿大Mila人工智能研究所等机构，在《GeroScience》发表了突破性研究。他们利用UK Biobank中60,396名参与者的多维数据（包括370层MRI体成分扫描、29项血液指标和人口统计学特征），开发了基于深度学习的OnsetNet神经网络模型。该模型创新性地以出生为时间基线，通过Cox比例风险模型预测47种年龄相关疾病的发病加速风险，最终识别出三类具有同步发病特征的疾病集群，并发现13种疾病与全因死亡率显著相关。

研究团队采用了几项关键技术：1）基于UNet架构的自动化MRI体成分分割系统，提取5类组织（总质量、皮下脂肪、肌肉、内脏脂肪、大腿肌间脂肪）的370层空间分布特征；2）多模态神经网络架构，分别编码人口统计学、基础体成分、空间体成分和血液标志物特征；3）采用Harrell's C-index和Kaplan-Meier曲线评估模型性能；4）通过梯度显著性分析解读生物标志物重要性。队列数据来自UK Biobank影像组学亚群，随访时间达13.9±0.8年，包含218,530个结局事件。

【预测性能突破】
模型在内部测试集（n=8,931）和外部测试集（n=855）分别达到0.683±0.090和0.646±0.126的C-index，其中糖尿病非T1型预测最佳（C-index 0.940），视力严重减退预测较弱（0.550）。研究发现体成分指标与血液标志物具有互补价值——添加基础体成分使预测性能提升0.024（p=6.85E-4），而空间体成分特征对神经精神疾病预测尤为重要。

【疾病集群发现】
通过风险四分位相关性分析，研究揭示了三大疾病集群：1）心血管代谢集群（糖尿病、血脂异常、高血压，r≥0.79）；2）血管-神经精神集群（焦虑-抑郁相关性达0.90，与痴呆、偏头痛显著关联）；3）消化-神经精神集群（肠憩室病与慢性胃炎r=0.85）。特别值得注意的是，焦虑和抑郁不仅互相关联强烈，还与全因死亡率（r=0.86/0.80）、痴呆（r=0.81/0.81）存在显著同步发病风险。

【预后价值验证】
预后分析显示，高风险组（Q4）在全因死亡率中的调整风险比（aHR）达6.26±9.33，其中帕金森病与痴呆的风险关联最强（aHR=11.09±17.8）。体成分指标展现出独特预测价值——总质量（MASS）对失眠预测显著，大腿肌间脂肪（TMAT）与心脏疾病风险相关，而BMI反而未进入糖尿病预测的前五关键特征。

【生物标志物解读】
梯度显著性分析揭示了多项生物学合理性关联：HbA1c对糖尿病、尿酸对痛风、肌酐/胱抑素C对肾功能不全的预测权重最高。空间特征显示男性腹部内脏脂肪（VAT）、女性腹部肌肉分布对多种疾病预测最具价值。令人惊讶的是，γ-谷氨酰转移酶（GGT）和载脂蛋白B（ApoB）对痴呆的预测价值超过了传统神经标志物。

这项研究开创性地将深度学习生存分析应用于多病共存的发病时间维度，其价值体现在三方面：1）方法学上证实了神经网络Cox模型在复杂生物标志物整合中的优势；2）临床层面提供了可解释的风险分层工具，高风险人群可提前12-15年识别；3）科学意义上揭示了跨系统疾病的同步衰老模式，为"共同病因"假说提供了新证据。研究者特别指出，体成分指标作为可干预因素，可能成为延缓多病发生的突破口。未来研究需在更多样化人群中验证这些发现，并探索基于风险分层的精准预防策略。