视网膜血流的机器学习评估与代谢功能障碍和加速的微血管衰老有关
Shigeyuki Magi1, Takahiro Maruyama2,3, Seiji Takagi2
1Division of Cell Physiology, Department of Physiology, School of Medicine, Toho University, Omori-Nishi 5-21-16, Ota-Ku, Tokyo, Japan.
Scientific reports
|January 7, 2026
概括
使用视网膜血流数据的机器学习模型可以估计时间年龄,揭示了微血管衰老的新生物标志物. 这种生物标志物,相对微血管衰老指数 (rmVAI),与代谢功能障碍相关的脂肪肝疾病 (MAFLD) 有关.
科学领域:
- 眼科医生 眼科 眼科
- 老年学是一门学科.
- 医疗成像医学成像
背景情况:
- 微血管衰老有助于与年龄相关的器官功能障碍,但评估方法有限.
- 视网膜血流分析为系统微血管健康提供了潜在的窗口.
研究的目的:
- 开发机器学习模型,利用激光斑点流图 (LSFG) 来从视网膜血流数据中估计时间年龄.
- 确定微血管衰老的新生物标志物,并研究其与代谢疾病的关联.
主要方法:
- 机器学习模型在1008名成年人的LSFG数据上受训,使用预定义和时间序列特征.
- 为探索微血管衰老的差异,开发了特定性别的模型.
- 一个相对的微血管衰老指数 (rmVAI) 由模型残留物得出.
主要成果:
- 最好的机器学习模型在年龄预测中实现了10.3%的平均绝对百分比误差 (MAPE).
- 性别特定的模型显示了更好的准确性 (女性8.6%的MAPE,男性9.3%).
- 较高的rmVAI与高血压,糖尿病,代谢综合征和MAFLD相关,预计老年人患肝硬化病的患病率增加.
结论:
- 与机器学习相结合的LSFG提供了一种非侵入性工具,用于量化微血管衰老.
- MAFLD是加速微血管衰老的重要贡献者,这表明"肝脏-微血管轴".
- 在临床实践中,rmVAI生物标志物显示出早期风险分层的潜力.
