通过基于眼底图像的多任务学习技术实现高精度的视网膜年龄预测，揭示了系统性疾病的影响

《Communications Medicine》：High-accuracy retinal age prediction via fundus-based multitask learning reveals the effect of systemic disease

　　

摘要

背景

通过深度学习模型（该模型基于实际年龄数据进行训练）从眼底照片中准确预测视网膜年龄，可以为生物衰老和疾病风险提供一个非侵入性的生物标志物。

方法

在这项研究中，我们训练了一个集成式多任务学习模型，该模型将眼底照片与糖化血红蛋白数据结合在一起。我们使用了来自27,214名无疾病成年人的50,595张经过质量控制的眼底照片，并在另外7,288张无疾病成年人的照片上进行验证。模型性能通过平均绝对误差（mean absolute error）进行评估。预测的不确定性通过计算每只眼睛的集成预测结果的标准差来量化，然后根据这一标准差对眼睛进行分组。

结果

研究结果显示，在内部验证中，该模型的平均绝对误差为2.78年；在两个外部队列中（分别包含135只眼睛和4,992只眼睛），平均绝对误差分别为3.39年和8.63年。那些集成标准差低于中间值的眼睛表现出更好的年龄预测准确性（内部验证中的平均绝对误差为2.46年；在第一个外部队列中为2.87年）。在由8,467人组成的系统性疾病队列中，调整年龄和性别因素后，患有糖尿病、心脏病或中风的参与者的视网膜年龄差异（预测年龄与实际年龄之差）显著更大，这表明他们的视网膜看起来更老化，从而支持了视网膜年龄的生物学意义。

结论

仅通过一张眼底照片就能获得的视网膜年龄参数，为生物衰老提供了一个可扩展且可在临床中应用的生物标志物。这种方法可能有助于在其他常规的眼部影像检查流程中及时筛查心血管代谢疾病等相关衰老相关疾病。