新的模型可以通过分析眼部照片揭示衰老的秘密

近年来，谷歌一直在研究各种人工智能模型，可以分析眼睛（内部和外部）的图像并监测某些参数。正如之前提到的，开发能够从眼睛中提取信息的 AI 模型意味着能够以经济高效和无创伤的方式监测患者。此前，谷歌已经证明，通过使用 AI 和视网膜或外部眼睛的图像，可以测量疾病风险、生物标志物等。谷歌最近发表了一篇新论文，描述了如何使用 AI 模型在视网膜图像上开发一个衰老时钟。

那么有什么新的进展呢？

该模型可以预测患者的生物年龄。为什么这很重要？为什么这很难？

简而言之，衰老导致整个身体水平的分子和生理变化。此外，各种疾病的风险随着年龄增长而增加。衰老取决于两个主要因素：遗传和环境。能够识别出这一过程的标志物可能有助于监测患者，并在未来或许开发针对衰老的治疗方案。

如何测量年龄？

除了出生日期之外，还有多种定义衰老的方法：

• • 表型年龄由年龄和一些生物标志物表

  • 表观年龄则考虑了 DNA 甲基化。

一些研究人员认为表观年龄更可靠，并且也能指示患上一系列疾病的风险。问题在于，检查患者的甲基化状态需要进行昂贵和侵入性的检测：需要提取血液样本，然后进行基因组测序。

如何使用 AI 测量年龄

简而言之，作者使用了一个名为 EyePACS 的眼底图像数据集。他们在大约 10 万名患者（和 20 万张图像）上训练了计算机视觉模型，然后将其调整到 2.5 万名患者的子集上。然后，这些模型被用于另一个数据集（英国生物库）以分析模型在另一个人群中的泛化能力。

此处，与之前的研究一样，作者使用了 Inception V3。正如以前所看到的，他们没有使用从头开始训练的模型，而是使用了在 ImageNet 上训练过的模型作为骨干。在这种情况下，他们使用该模型对眼底图像进行预测年龄（回归任务）。

此外，由于英国生物库数据集还包含质量较差的图像，他们还训练了一个能够预测图像质量的模型（比手动选择高质量图像方便得多）。该模型被用于丢弃质量不足的图像。

正如作者所示，模型预测的年龄与两个数据集中的实际年龄之间存在强烈的相关性。

英国生物库不仅包含眼底图像，还包括各种实验室结果（血液测试以及基因组学）。这使得可以将模型分析与从临床数据中获得的标记进行比较（phenoAge 是一种基于临床血液标记的衰老时钟）。

有趣的是，这个标记 phenoAge 和 EyeAge 之间没有太大的相关性。另一方面，PhenoAge 与生物年龄也没有很好的相关性。此外，EyeAge 与死亡风险有关（使用 Cox 比例风险回归分析进行分析）。

此外，作者观察到一些疾病和 EyeAge 之间存在关联（慢性阻塞性肺疾病（COPD）、心肌梗死、哮喘、中风、帕金森病和痴呆症）。

为了更好地解释这个结果，作者进行了线性回归，并观察到他们的得分（EyeAge）与收缩压升高有关。

作者有可用的GWAS数据，这使他们能够进行基因关联研究并将其与EyeAge相关联。

分析显示，有几个基因与眼睛功能和与年龄相关的疾病（如糖尿病和白内障）相关。

作者确定ALK是最有趣的目标之一，并决定通过实验进行验证。因此，他们的工作不仅可以进行年龄评估，还可以进行生物学洞察。

结论

总的来说，有几个衰老标志物，但每个标志物都需要侵入性和昂贵的检查。相比之下，获取眼部照片既不侵入性也不昂贵。人工智能开发的模型具有以一年为单位的细粒度预测年龄的能力。

此外，他们的结果与几种疾病有关，导致了衰老过程的生物标志物。此外，尽管预测与年龄相关联良好，但一些个体的预测年龄较高，这与不同的疾病和死亡有关。

更不用说与不同基因的关联了，也使得发现涉及衰老过程的新标记和基因成为可能。然后，这可以用于获取新信息并开发新的疗法。此外，它可以用于监测抗衰老疗法（或预防某些疾病）的结果。

·  END  ·

HAPPY LIFE