Nature 子刊：视网膜图像深度学习衰老标记揭示性别特异性临床与遗传特征

Nature Communications 发表一项系统衰老生物标志物研究，利用深度学习从常规视网膜眼底图像中提取生物学年龄标记，揭示出衰老过程在临床表型与遗传结构上的显著性别差异。

• 研究方法：研究团队通过卷积神经网络等模型学习眼底血管与神经纤维层等微血管特征，计算个体的“视网膜年龄差”（Retinal Age Gap，即预测视网膜年龄与实际生理年龄的偏差），以此作为衡量全身衰老速率的非侵入式指标。
• 遗传与机制关联：结合全基因组关联分析（GWAS）与模型可解释性注意力热图，研究发现男女在视网膜衰老相关的基因位点与疾病易感性上存在异质性，男性更易与心血管代谢风险聚集，女性则在微血管重塑与特定神经通路中表现出差异。
• 临床价值：眼底作为人体唯一可直接无创观察微循环的组织，该研究为通过单次眼底摄片评估多器官系统衰老与性别特异性疾病风险建立了量化模型。
• 影响/看点：这一方法可能推动无创、低成本的慢病风险筛查进入常规体检，但其实际应用价值取决于算法在不同族裔及合并眼底基础病变人群中的校准精度与可解释性边界。
• 资料依据：
• 1. Nature Communications 论文《Deep learning aging marker from retinal images unveils sex-specific clinical and genetic signatures》：https://www.nature.com/articles/s41467-026-77102-1
• 2. medRxiv 预印本平台（2025年7月）：https://www.medrxiv.org/content/10.1101/2025.07.29.25332359

本内容由 AI 生成，仅供参考，请注意甄别