基于闪烁光诱导视网膜血管反应性的Extra Trees机器学习模型无创估计实际年龄

《Scientific Reports》：Estimating chronological age from flicker-induced retinal vascular reactivity: a machine learning approach

　　

本研究提出一种新颖的无创实际年龄（chronological age, CA）估计方法，利用极端随机树回归器（Extra Trees Regressor）分析视网膜血管对闪烁光刺激的反应性，并将其作为独特生物标志物。通过捕获和解释视网膜血管的动态响应，研究人员旨在开发一种可及且可靠的实际年龄评估工具，并通过个体化衰老见解促进个性化抗衰老医学这一新兴领域。该方法聚焦于利用无创动态血管反应测量进行血管功能分析，与现有技术相比具有独特贡献。本文采用多种机器学习和深度学习模型开展实验，利用三个闪烁周期内视网膜动脉和静脉血管直径变化估计患者年龄。表现最佳的模型达到平均绝对误差（mean absolute error, MAE）9.3、均方根误差（root mean squared error, RMSE）12.4和平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）17.7%，显示出可接受的可靠性和准确性。此外，将局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations, LIME）应用于研究人员的时间序列年龄估计模型，为影响预测的关键特征提供了有价值的见解。据研究人员所知，这是首个证明视网膜血管反应性可作为估计实际年龄的功能性生物标志物的研究，为未来无创衰老标志物研究奠定了基础。

研究背景方面，年龄是疾病风险与临床决策的基本决定因素。实际年龄（chronological age, CA）广泛用于健康风险分层，但不能充分反映由遗传、环境暴露和生活方式等因素影响的衰老过程个体差异；生物学年龄（biological age, BA）因此被提出以反映生理状态而非日历时间，并整合细胞分子变化及饮食、体力活动等生活方式因素。吸烟、饮酒、不良饮食和缺乏运动与心血管疾病、2型糖尿病及某些癌症等慢性病相关，早期检测年龄相关生物标志物偏离可成为促进健康行为的工具。视网膜为无创观察人类微血管功能提供窗口，视网膜需严格调控血流以满足高代谢需求并将光刺激转化为神经信号；测量视网膜血管对闪烁光刺激的反应性可动态、实时评估微血管功能，是有前景的系统生理衰老指标。随着药物和营养干预抗衰老研究增加，需要精确、无创的方法评估年龄并监测疗效。既往眼部人工智能研究主要依赖静态眼底照片或结构影像推断年龄相关特征，动态血管反应性信号的预测潜力尚未充分探索。因此，研究人员开展本研究，评估闪烁光诱导的视网膜血管反应性是否包含与CA相关的可测量信息，利用机器学习和深度学习对工程化时间序列特征建模，在健康成人队列中评估血管动态与年龄的预测关系。研究目标不是建立确定的临床年龄估计工具，而是提供概念验证，证明功能性视网膜微血管反应编码年龄相关信息，为未来动态血管衰老生物标志物研究奠定基础；其意义在于提供无创、功能导向、可及的单一眼部模态，可能补充现有结构或多模态生物标志物。

关键技术方法概括（不超过250字）：样本来自2005年慕尼黑工业大学医学院预防与康复运动医学系临床研究，纳入140名健康志愿者（伦理批准、知情同意）。采用动态血管分析仪（Dynamic Vessel Analyzer, DVA）350秒协议记录视网膜动脉和静脉直径：50秒基线、三个20秒闪烁刺激及每个80秒无刺激间期。数据准备包括合并文件、提取人口学与时间序列，构建滞后1–3、滚动均值和滚动标准差，窗口切片，按70%/10%/20%划分训练/验证/测试并避免患者重叠。比较多种树集成、核方法与深度学习模型；以平均绝对误差（MAE）、均方根误差（RMSE）、均方误差、决定系数（R²）、解释方差（explained variance, EV）和平均绝对百分比误差（MAPE）评估，并用局部可解释模型无关解释（LIME）解释。

结果方面，“模型性能比较”通过在同一训练与验证集上评估所有模型得出：在深度学习模型中，残差网络（Residual Network, ResNet）表现最佳，MAE为11.09、RMSE为13.82；在传统机器学习模型中，极端随机树（Extra Trees）超过其他机器学习模型及所有深度学习模型，MAE为9.04、RMSE为10.16，说明树集成模型在小时序数据集上具有优势。“Extra Trees模型微调与最终评估”通过递归特征消除交叉验证筛选相关特征并进行网格搜索调参，最终Extra Trees模型在测试集（n=28）报告MAE为9.3、RMSE为12.4、MAPE为17.7%，显示可接受的可靠性和准确性；但小样本使个体预测误差可能对指标产生较大影响，故应视为概念验证而非确定临床基准。“局部可解释模型无关解释（LIME）分析”通过解释Extra Trees对最佳、平均和最差预测样本的特征贡献得出：最佳预测样本真实年龄59.5岁、预测59.4岁，误差0.1年；平均预测样本真实45.9岁、预测32.9岁，误差13.0年；最差预测样本真实68.9岁、预测31.8岁，误差37.0年。滚动统计特征对预测贡献最大，滞后特征贡献较小；LIME显示滚动统计特征最强驱动年龄预测，年轻不稳定标记呈负贡献、老年静脉扩张呈正贡献，支持模型的生理基础。

讨论总结：模型选择显著影响年龄估计的准确性和可靠性；动态视网膜血管反应性作为衰老功能生物标志物是本工作关键新颖点，可捕获实时微血管反应性并提供补充生理信息。深度学习虽能建模复杂非线性关系，但存在数据需求大的特点，140例样本不足以优化数百万参数模型；树集成模型在降低预测误差和解释数据变异方面更优。与主要依赖静态视网膜生物标志物的眼部人工智能研究相比，本研究关注闪烁光诱导的动态功能反应；与血液、面部成像和神经影像等年龄估计方法相比，该方法依赖单一眼部模态，无需辐射暴露或高成本成像基础设施，并非替代结构或多模态技术，而是补充功能血管维度。研究以CA为预测目标，因数据集无经验证的BA参考；预测性能表明闪烁光诱导血管动态含可测量年龄相关信息，但当前精度不支持精确个体年龄判定。局限包括：140名健康参与者来自2005年单中心队列，统计功效和泛化性受限；仅纳入健康个体，血管病理、代谢病或心血管病对模型预测的影响未知；无BA参考，将预测残差解释为“血管年龄差”仍具推测性；缺乏独立外部验证。未来需通过多中心合作扩大样本量和多样性，纳入不同健康状态与族裔人群，开展纵向设计，进行独立队列外部验证，并探索原始DVA信号或视频表征的时空学习模型，整合独立生物衰老标志物。

研究结论翻译：本研究提出一个概念验证框架，利用闪烁光诱导的视网膜血管反应性估计实际年龄。据研究人员所知，这是首个证明视网膜血管反应性可作为实际年龄估计功能性生物标志物的研究。与主要依赖静态视网膜图像或结构生物标志物的既往方法不同，该方法利用微血管反应的实时动态，捕获血管衰老的功能方面。其方法学优势在于综合数据准备框架，通过滞后特征和滚动统计量（滚动均值和滚动标准差）等结构化特征工程建模时间序列数据中的时间依赖与变异性，从而从动态血管测量中提取具有生理意义的模式；同时评估从树集成方法（Extra Trees、XGBoost、Random Forest）到神经架构（ResNet、LSTM、CNN-LSTM）的广泛机器学习和深度学习模型，实现建模策略的系统比较；LIME可解释人工智能通过识别对年龄预测贡献最大的时间血管特征增强可解释性，支持透明性和潜在临床信任。尽管最佳模型Extra Trees达到约9年的MAE，但个体预测误差存在变异并包括离群案例；这些发现表明动态视网膜血管反应编码年龄相关信息，但当前准确性尚不支持临床决策中的精确个体年龄判定。本研究结果不是确定性诊断工具，而是证明血管反应动态与实际年龄之间存在可测量关联。局限包括：数据集为2005年单中心140名健康参与者，限制统计功效和泛化性，小样本尤其限制深度学习模型；仅含健康个体，血管病理、代谢病或心血管病影响未知；因无经验证BA参考而以CA为目标，CA不能完全反映个体生物变异，将预测残差解释为“血管年龄差”仍具推测性且需独立验证；虽完成内部测试集验证，但缺乏独立数据集外部验证。未来应通过多中心合作扩大数据集规模和多样性，纳入不同健康状况与族裔背景个体及纵向研究设计，外部验证对建立稳健性和可重复性至关重要；未来研究可探索原始DVA信号或视频表征的时空学习架构，并整合独立生物衰老标志物以明确动态视网膜血管反应是否反映更广泛系统衰老过程。总之，本研究引入一种基于视网膜微血管动态的新型、无创、功能导向的年龄估计方法；尽管初步，研究结果提供证据表明闪烁光诱导的视网膜血管反应性包含可测量年龄相关信息，可能成为未来功能性衰老生物标志物研究的有前景方向。