首页 > 资讯 > Lancet子刊：多器官影像的年龄密码，深度学习如何量化人体衰老速度？

Lancet子刊：多器官影像的年龄密码，深度学习如何量化人体衰老速度？

泰然健康网
2025-08-03 13:02

+关注

年龄是临床医学中最常用的健康风险预测指标。然而，单纯的“实际年龄”无法捕捉个体在生物层面上的异质性和衰老速度。人体衰老是一系列分子及结构改变的累积，表现为细胞功能减退、器官系统衰退以及对疾病的易感性增加。对衰老过程的精准量化，特别是生物年龄的准确估计，对于疾病风险预测和干预策略设计至关重要。随着人工智能、尤其是深度学习技术的发展，研究者尝试利用丰富的医学影像数据，提取生理变化特征，预测个体的生物年龄，从而更细致地反映健康状态。

近期，发表于Lancet Healthy Longevity杂志的一项综述，汇总了基于AI的多种医学影像技术在生物年龄预测领域的重要进展。研究团队系统整合了脑部MRI、胸腔CT及X光、腹部CT与MRI、骨骼影像及面部照片等多模态影像的数据驱动方法，深入探讨了AI年龄估计中的模型评估流程、临床应用前景、技术和伦理难点，为未来个性化医疗和健康风险管理开拓了新思路。

研究者检索了2016至2024年间关于基于AI的医学影像年龄预测的代表性研究，聚焦于脑部、胸部、腹部、骨骼和面部影像。多项研究采用了多样的深度学习网络架构，如卷积神经网络（CNN）、高斯过程回归和Transformer模型。模型训练通常基于大规模带标签（年龄信息）的医学影像数据集，分阶段评估准确度和偏差，并在临床队列中验证年龄偏差与健康结局的相关性。

研究结果

1. 脑部年龄预测

脑部MRI结合深度学习技术已成为年龄预测领域的领导者。多篇研究显示，脑预测年龄与实际年龄高度相关，平均绝对误差（MAE）在1.97至7.11岁之间波动。脑年龄偏差与认知功能障碍、执行功能减退、痴呆症状严重度及神经退行性病变相关，能够反映tau蛋白病理和淀粉样蛋白沉积。多模态成像结合PET-MRI进一步揭示脑衰老与神经病理的联系。此外，脑年龄偏差也与死亡风险、身体机能指标（握力、肺功能）及全身生物应激负担相关，提示其作为整体健康状态的生物标志物价值。但对于儿科人群脑龄估计模型构建仍然存在挑战，亟需年龄特异性影像模板。

图：不同身体部位和成像方法的年龄估计技术概述

2. 胸部影像的年龄估计

胸部X光及CT影像结合卷积神经网络构建的年龄预测模型，MAE在1.80至4.69岁之间。胸部年龄偏差显著相关心血管疾病预后，如心衰再入院和全因死亡风险。它也与高血压、慢性阻塞性肺疾病、肝硬化等多种疾病相关。通过解释性算法（如SHAP与Grad-CAM）精准定位心脏、肺部、血管在年龄预测中的贡献，揭示不同器官系统的衰老模式。这一多器官整合视角为个性化心肺健康管理提供了新手段。

3. 腹部影像年龄预测

利用腹部与胸腹部CT及肝脏与胰腺MRI，研究构建了基于深度学习的模型，MAE为2.94至6.5岁。整体腹部年龄以及器官特异性年龄预测显示多器官对衰老信息的互补性。腹部年龄偏差与临床表型、遗传学指标显著相关，遗传学分析显示加速腹部衰老具有26.3%的遗传率。基于体内多个脏器的综合年龄评估，或将促进针对性干预和疾病预警，尤其是腹部相关疾病的早期筛查。

4. 骨骼年龄估计

骨龄估计主要聚焦于儿童和青少年成长过程，骨龄与生长发育密切相关，利用手部X光或膝关节MRI进行深度学习建模，MAE极低，约0.67至1.32年。与成年生物年龄预测不同，骨龄的偏差并非衰老指标，主要用于评估生长异常和预测成人高度。骨龄算法在老年人骨质疏松及骨髓健康评估中的潜力尚待开发。

5. 面部年龄估计

利用二维/三维面部图像，结合卷积神经网络及Transformer模型，实现年龄预测，MAE为1.94至7.52岁不等。高面部年龄偏差与慢性心脑血管疾病、癌症患者的生存率呈负相关。面部年龄显示出与细胞衰老相关基因（如CDK6）的遗传关联，增强终末期癌症患者生存风险预测的准确性。但面部影像因光线、表情、化妆及种族群体代表性不足而存在模型偏见，需多样化数据集及公平性校正。

6. 眼底图像预测

利用视网膜照片和深度学习模型（如VGG和Xception），直接回归预测年龄或分类识别老年阈值。视网膜年龄偏差与全因及多种疾病死亡风险显著相关。视网膜影像捕捉了血管与神经系统的衰老，具有非侵入、低成本的医疗优势，是潜力巨大的衰老生物标志物。

综上，该综述全面描绘了AI驱动的影像生物年龄估计技术现状，展示了多模态影像结合深度学习在揭示生理衰老多样性和预测健康结局中的巨大潜力。年龄偏差作为非侵入、直观的生物标志物，有望成为个性化医疗和疾病管理的重要工具，优化患者分层，辅助治疗决策，指导健康干预。此外，AI算法的实时部署于临床影像设备，可实现“顺势检测”，降低医疗成本，助推早诊早治。

另一方面，文中强调了技术瓶颈，包括训练数据年龄分布偏倚、模型泛化能力不足、外部验证缺失及算法鲁棒性。伦理层面须主动防范隐私泄露、算法偏见及潜在负面社会影响，确保技术公平透明地惠及不同群体。本文呼吁跨界合作，推动标准制定和法规完善，保障AI生物年龄预测的安全有效推广。

参考资料：

[1]Haugg F, Lee G, He J, Johnson J, Zapaishchykova A, Bitterman DS, Kann BH, Aerts HJWL, Mak RH. Imaging biomarkers of ageing: a review of artificial intelligence-based approaches for age estimation. Lancet Healthy Longev. 2025;Vol(x):1-11. DOI:10.1016/j.lanhl.2025.100728

撰文 | 梅斯医学编辑 | 木白

免责声明：本内容来自腾讯平台创作者，不代表腾讯新闻或腾讯网的观点和立场。