近日，中山大学中山眼科中心林浩添教授团队联合国内外多学科研究团队在在Nature Communications（IF 14.9发表了基于深度学习针对晶状体图像评估生物学年龄的研究，通过基于眼部晶状体图像计算得出的“晶状体年龄”，不仅能预测视力下降、白内障、玻璃体混浊等眼部疾病的发病率，还可以比实际年龄更准确地预测被测患糖尿病、高血压、冠心病、癌症的风险，从而为评估衰老相关健康状况提供重要的依据。

论文标题：LensAge index as a deep learning-based biological age for self-monitoring the risks of age-related diseases and mortality

论文地址: https://www.nature.com/articles/s41467-023-42934-8

背景与研究方法

年龄与人类健康和疾病风险密切相关。然而，由于遗传和环境因素，一个人的真实年龄往往与其与代表健康与疾病风险的生物学年龄不一致，例如有的人看起来只有30岁，但其患病风险及全因死亡率却相当于40岁时的均值。在临床实践和自我监测中确定有效的生物年龄指标非常重要，但目前还缺乏这种指标。

晶状体作为人体的重要结构，与全身的新陈代谢循环息息相关，是连接眼部衰老与全身衰老的重要纽带。之前的一项研究表明，晶状体对衰老过程中神经系统的结构和功能变化至关重要。

本研究的样本收集分为两部分，一是2018 年 4 月至 2021 年 5 月期间中国人工智能医疗联盟（CMAAI）正在进行的全国性中国白内障筛查项目中招募 20 至 96 岁的相对健康的参与者，这些参与者具有全面的基线信息（实际年龄、性别、种族、地区和职业）、生活方式调查（未/曾/现吸烟和酒精摄入状况）、疾病病史、定期体检和眼科检查；二是2020 年 1 月至 2021 年 5 月期间中山眼科中心（中国广东中山大学）的回顾性医院数据集，包括从入院记录中收集的全面基线信息（年龄、性别、种族、地区和职业）、疾病病史、定期体检、眼科检查、胸部 X 光检查、心电图、全血细胞计数和血液基本概况。总计8225个晶状体照片，平均年龄55.5岁，63.2为女性。

收集晶状体照片后，使用卷积神经网络对样本的年龄进行预测，之后结合实际年龄计算差值，得出LenAge指数，之后分析LenAge指数在预测眼部疾病和其它类型疾病上的能力。

：研究流程概述

2） 结果

在散射光模式（a）和裂隙灯模式（c）下，预测出的眼部年龄和实际年龄具有相关性，其差异如b和d所示，分布如图h与i所示，而不同性别，年龄段的箱线图为图j-m。当眼部年龄小于世纪年龄时，意味着更慢的衰老，而眼部年龄大于实际年龄则意味着衰老加速。

：预测的眼部年龄与真实年龄的对比

对深度学习模型的可解释性分析表明，不同晶状体结构中的不透明对我们的 DL 模型的决策过程具有重要意义。LensAge 指数的增加与老年性白内障的发生呈正相关，这表明晶状体不透明的增加在使用我们的 DL 模型评估生理年龄时起着至关重要的作用。

通过对比与衰老有关的眼部疾病（例如视觉受损，老年性白内障，玻璃体浑浊）与一般性衰老相关疾病(糖尿病、高血压、冠心病、癌症和脑梗塞） ， 年龄相关的胸部 X 光检查结果变化（动脉硬化和左心室肥厚）及心电图检查结果与年龄有关的变化（心肌缺血、心肌梗塞、心房颤动和高血压性心脏病），发现其都具备预测能力（比值比大于1），说明LensAge 指数可作为生物年龄的有效测量指标，以反映眼部及年龄相关的一般疾病和风险。

：基于LensAge计算得出的眼部和全身疾病发病率比值比，及预测准确行AUC

基于LensAge还可以预测全因死亡率，展示的生存曲线显示，LensAge指数最大的那群人，其在50个月内的死亡率更高。与之前预测发病率的结果一致，散射光模式下预测准确性更高。

：基于LensAge指数分为4组，统计全因存活率

在院外场景下，可采用智能手机采集晶状体图像，输入云端部署的智能评估模型进行衰老水平的智能分析，lensAge可实现院外，以非侵入，不涉及隐私数据的前提下，对衰老水平和疾病风险进行自我评估，在自我监测衰老状态方面表现出巨大的应用潜力。

： LensAge在智能手机上的应用

总结

该研究创新性的提出“晶状体年龄（LensAge）”这一基于深度学习的眼部晶状体影像模型，不仅针对眼部疾病，还扩展了模型的应用范围，用以评估与年龄相关的多种常见疾病和普通人群的全因死亡风险。通过手机上传自查影像，LensAge克及时预警衰老相关疾病发生和死亡风险，检测存在全身和眼部疾病危险的个体，全面提升自我健康管理和疾病防治水平。

该研究的成功说明了使用影像数据，可基于深度学习模型进行类似的衰老研究，构建生物学年龄。未来可基于更多类型，更多组学的数据，通用的套路是先使用真实年龄做标签进行回归，之后基于模型预测年龄与实际年龄之差，评估健康风险。