研究人员训练AI通过眼睛判断人的预期寿命

视网膜生物学年龄与人的实际（时序）年龄之间的差异与其死亡风险有关。这一结论来自发表于《英国眼科杂志》的一项研究，原文链接。视网膜是位于眼球后部的感光神经组织层。

科学家的目标是开发一种深度学习模型，通过眼底图像预测年龄（视网膜年龄），并研究视网膜年龄差（模型预测的视网膜年龄减去实际年龄）与死亡风险之间的关系。 

研究人员认为，这种“视网膜年龄差”可以用作筛查工具。越来越多的数据表明，视网膜中的微血管网络可能是全身循环系统和大脑健康状况的可靠指标。

虽然患病和死亡风险随年龄增长而上升，但同龄人之间的风险差异十分明显。研究人员认为，“生物学衰老”因人而异，可能是衡量当前和未来健康状况的更好指标。

目前已开发出多种组织、细胞、化学和影像学指标，用于判断与实际年龄不一致的生物学衰老程度。但这些方法存在伦理和隐私问题，而且往往具有侵入性、成本高且耗时长。

因此，研究人员借助深度学习，探究它能否根据眼底图像（即眼睛内侧后表面）准确预测人的视网膜年龄，并观察该结果与实际年龄之间是否存在差异（即“视网膜年龄差”），以及这一差异是否与更高的死亡风险相关。

深度学习是机器学习和人工智能（AI）的一种类型，它模仿人类获取特定知识的方式。与线性的经典机器学习算法不同，深度学习算法按照由简到繁的层级结构运作。

研究人员使用了来自46969名40至69岁成年人的80169张眼底图像。这些数据来自英国生物银行，这是一项大型人群研究，有超过五十万名英国中老年居民参与。

另有约19200张来自11052名参与者右眼的眼底图像，这些参与者在初次健康检查时身体状况相对良好。这些图像用于检验深度学习模型预测视网膜年龄的准确性。

结果显示，预测的视网膜年龄与实际年龄之间存在较强的关联，总体准确度可达3.5岁。随后，研究人员对其余35917名参与者的视网膜年龄差进行了评估，平均观察期为11年。

观察期间，1871名参与者死亡（占5%）：其中321人（17%）死于心血管疾病，1018人（54.5%）死于癌症，532人（28.5%）死于其他原因，包括痴呆症。

“快速衰老”者（即视网膜看起来比实际年龄更老的人）所占比例，在视网膜年龄差分别超过3岁、5岁和10岁时，分别为51%、28%和4.5%。视网膜年龄差越大，死亡风险越高，在排除心血管疾病和癌症后，风险高出49%至67%。

在考虑高血压、体重、生活方式和种族等潜在影响因素后，视网膜年龄差每增加一岁，全因死亡风险增加2%；排除心血管疾病和癌症后的特定原因死亡风险增加3%。对左眼进行同样的分析，得出了相似的结果。

这是一项观察性研究，因此无法确定因果关系。研究人员也承认，视网膜图像是在特定时间点获取的，且参与者可能无法完全代表整个英国人口。

尽管如此，他们表示：“我们的新结果表明，视网膜年龄差是死亡风险升高的独立预测指标，尤其是与心血管疾病或癌症无关的死亡。这些结果表明，视网膜年龄可能是具有临床意义的衰老生物标志物。”

他们还补充道：“视网膜提供了一个独特且易于获取的“窗口”，可用于评估与死亡风险升高相关的全身血管和神经系统疾病的基础病理过程。这一假设得到了先前研究的支持，这些研究提出，视网膜影像包含心血管疾病风险因素、慢性肾病和全身生物标志物的信息。”

新结果与先前研究相结合，为“视网膜在衰老过程中发挥重要作用，并对增加死亡风险的累积性衰老损伤敏感”这一假设提供了更多支持。