对视网膜衰老生物标志物的交叉人口研究,与纵向预训练和标签分布学习
Zhen Yu1,2, Ruiye Chen3,4, Peng Gui5
1The AIM for Health Lab, Monash University, Melbourne, VIC, Australia.
NPJ digital medicine
|June 10, 2025
概括
视网膜年龄是一种新的生物标志物,可以使用深度学习准确估计. 更大的视网膜年龄差距预测了更高的死亡率和疾病风险,有助于精确的健康.
科学领域:
- 眼科和计算生物学 眼科和计算生物学
- 生物标志物和衰老研究
背景情况:
- 视网膜年龄是评估生物衰老的有希望的非侵入性生物标志物.
- 准确估计视网膜年龄对于了解衰老过程和健康结果至关重要.
研究的目的:
- 开发和验证一个深度学习模型,以准确估计视网膜年龄.
- 调查视网膜年龄差距与死亡率和与年龄有关的疾病的关联.
主要方法:
- 开发了一个深度学习模型,集成自我监督学习和渐进式标签分发学习.
- 在英国生物银行和中国队伍中,从34,433名参与者的视网膜图像上训练并验证了该模型.
- 在更广泛的人群中分析了视网膜年龄差距 (视网膜预测与时间学年龄).
主要成果:
- 该模型的平均绝对误差为2.79年,超过了以前的方法.
- 研究人员发现,视网膜年龄差距较大与全因死亡风险增加之间存在显著的关联.
- 视网膜年龄差距也与多种与年龄有关的疾病的风险更高相关.
结论:
- 视网膜年龄是预测生存和衰老结果的可靠生物标志物.
- 这种深度学习方法提高了视网膜年龄估计的准确性.
- 这些发现支持使用视网膜年龄来针对性地进行风险管理和精确的健康干预.
更多相关视频
10:14Author Spotlight: Ex Vivo OCT-Based Multimodal Imaging of Human Donor Eyes for Research into Age-Related Macular Degeneration
Published on: May 26, 2023
3.1K
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
304
