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
版权归原作者 小北的北 所有, 如有侵权,请联系我们删除。