Eine Fotografie der Rückseite des Auges, die während eines routinemäßigen Augenarztbesuchs in Sekunden aufgenommen wird, enthält weit mehr Informationen, als die meisten Menschen erkennen. Eine in Nature Communications veröffentlichte Studie von Forschenden der Universität Lausanne, des Erasmus University Medical Center und mehrerer anderer europäischer Institutionen zeigt, dass ein auf Netzhautbilder trainiertes Deep-Learning-Modell das chronologische Alter einer Person mit einem mittleren absoluten Fehler von 2,85 Jahren vorhersagen kann. Noch wichtiger ist, dass sich die Lücke zwischen dem vorhergesagten und dem tatsächlichen Alter als aussagekräftiges biologisches Signal erweist, das mit Herz-Kreislauf-Erkrankungen, Demenz, Krebs, Entzündungen, kognitiver Leistungsfähigkeit und der Sterblichkeit aus allen Ursachen verbunden ist.
Ein Foundation Model, trainiert an 71.343 Augen
Um dieses System aufzubauen, hat das Forschungsteam RETFound feinabgestimmt, ein Foundation Model zur Analyse von Netzhautbildern, wobei Farbfundusfotografien von 71.343 Teilnehmenden der UK Biobank verwendet wurden. Das Ergebnis ist ein Modell, das nicht einfach nur das Alter schätzt. Es erzeugt das, was die Forschenden eine “Netzhaut-Alterslücke” nennen: die Differenz zwischen dem Alter, das das Modell aus dem Bild vorhersagt, und dem tatsächlichen chronologischen Alter der Person.
Diese Lücke ist der eigentliche Befund. Eine positive Netzhaut-Alterslücke bedeutet, dass das Auge älter aussieht, als es das Geburtsjahr der Person vermuten lassen würde. Und diese Diskrepanz korreliert, wie sich herausstellt, mit einer Reihe ernsthafter gesundheitlicher Zustände. Kardiovaskuläre Merkmale, systemische Entzündungen, kognitiver Abbau, auftretende Herz-Kreislauf-Erkrankungen, Demenz und Krebs zeigen alle Zusammenhänge mit dieser einzigen Zahl, die aus einem nicht-invasiven Augenscan abgeleitet wurde. Die Netzhaut, die im Wesentlichen eine Verlängerung des neuronalen Gewebes des Gehirns ist, scheint sichtbare Spuren systemischer Alterungsprozesse zu tragen, die weit über das Auge selbst hinausgehen.
Sexuell spezifische Signaturen im selben Bild verborgen
Hier ist, was die meiste Berichterstattung über medizinische KI-Bildgebung zu übersehen pflegt: dasselbe Modell, angewendet auf denselben Bildtyp, kann je nach dem Geschlecht des Patienten beziehungsweise der Patientin grundlegend unterschiedliche biologische Geschichten enthüllen. Die geschlechtsspezifisch stratifizierte Analyse der Studie ergab, dass das Modell zwar bei Männern und Frauen hinsichtlich der Vorhersagegenauigkeit konsistent abschnitt, die zugrundeliegenden biologischen Zusammenhänge jedoch stark voneinander abwichen.
Bei Männern war eine größere Netzhaut-Alterslücke stärker mit dem metabolischen Syndrom verknüpft. Bei Frauen wiesen sowohl die Aufmerksamkeitsmuster des Modells als auch die genetischen Signale auf eine stärkere Beteiligung der Netzhautgefäße hin, also des Netzwerks von Blutgefäßen, das auf dem Fundusbild sichtbar ist. Dies ist keine geringfügige technische Fußnote. Sie legt nahe, dass derselbe Alterungsprozess je nach Geschlecht unterschiedliche anatomische und molekulare Fingerabdrücke hinterlässt und dass ein Modell, das beide erkennen kann, etwas wirklich Biologisches und kein statistisches Artefakt erfasst.
Der Übergang in die Menopause fügt eine weitere Ebene hinzu. Postmenopausale Frauen in der Studie wiesen höhere Werte der Netzhaut-Alterslücke auf als prämenopausale Frauen, und ihre klinischen Zusammenhänge ähnelten eher denen, die bei Männern beobachtet wurden. Dieses Muster impliziert, dass hormonelle Veränderungen im Zusammenhang mit den Wechseljahren die Netzhautalterung auf eine Weise beschleunigen oder umleiten können, die das biologische Profil hin zu einer anderen Risikolandschaft verschiebt.
Genomweite Analysen untermauerten diese Ergebnisse. Gene, die durch die Netzhaut-Alterslücke identifiziert wurden, standen mit Langlebigkeit, Stoffwechsel, Neuro degeneration und altersbedingten Augenerkrankungen in Verbindung, eine Konvergenz biologischer Pfade, die die Netzhaut als echtes Fenster zur systemischen Alterung positioniert und nicht nur als Stellvertreter für die Augengesundheit allein.
Warum das jenseits der Klinik wichtig ist
Die Alternsforschung kämpft seit langem mit einem fundamentalen Messproblem. Das chronologische Alter ist leicht zu erfassen, aber ein schlechter Prädiktor für den biologischen Zustand. Zwei im selben Jahr geborene Menschen können dramatisch unterschiedliche gesundheitliche Verläufe haben, und herkömmliche Risikofaktoren erklären dies nur teilweise. Was diese Studie beiträgt, ist ein Kandidat für einen Biomarker, der nicht-invasiv, skalierbar und in einer biologischen Struktur verankert ist, die ohnehin routinemäßig in klinischen Umgebungen abgebildet wird.
Die Netzhautfundusfotografie erfordert keine Blutabnahme, keine Strahlung und keinen invasiven Eingriff. Wenn sich die Netzhaut-Alterslücke über breitere und vielfältigere Populationen hinweg als robust erweist, könnte sie zu einem praktischen Werkzeug werden, um das gesundheitliche Risiko auf eine Weise zu stratifizieren, die über das hinausgeht, was Standardbewertungen der Klinik derzeit erfassen. Das Forschungsteam merkt an, dass die von ihnen gefundenen Zusammenhänge selbst dann bestehen bleiben, wenn das chronologische Alter selbst berücksichtigt wird, was bedeutet, dass die Lücke nicht einfach das wiederholt, was eine Geburtsurkunde bereits aussagt.
Für KI in der Medizin im weiteren Sinne veranschaulicht diese Studie ein Muster, das es wert ist, verstanden zu werden. Foundation Models, große vortrainierte Systeme, die durch Feinabstimmung an spezifische Aufgaben angepasst werden, können biologische Signale aus bestehenden klinischen Daten auf eine Weise extrahieren, die bei der ursprünglichen Erfassung dieser Daten nicht vorhergesehen wurde. Die UK Biobank wurde nicht gebaut, um die Netzhautalterung als systemischen Biomarker zu untersuchen. Dennoch bringt ein auf ihre Bilder trainiertes Modell genetische und klinische Zusammenhänge zutage, die Kardiologie, Neurologie, Onkologie und Endokrinologie umspannen.
Die menschliche Expertise, die erforderlich ist, um diese Zusammenhänge zu interpretieren und zu validieren, bleibt unerlässlich. Das Modell identifiziert Muster; Kliniker und Forschende bestimmen, was diese Muster bedeuten und ob sie umsetzbar sind.
Kurz gefasst
Ein auf Netzhautfotos von 71.343 UK Biobank-Teilnehmenden trainiertes Deep-Learning-Modell kann das chronologische Alter innerhalb von 2,85 Jahren vorhersagen. Die Lücke zwischen dem vorhergesagten und dem tatsächlichen Alter korreliert mit Herz-Kreislauf-Erkrankungen, Demenz, Krebs, Entzündungen und Sterblichkeit. Männer und Frauen zeigen dieselbe Vorhersagegenauigkeit, aber unterschiedliche biologische Signaturen, wobei der Übergang in die Menopause die Muster der Netzhautalterung bei Frauen sichtbar beeinflusst. Die Netzhaut, bereits ein routinemäßiges Bildgebungsziel in der klinischen Praxis, trägt möglicherweise mehr systemische Informationen darüber in sich, wie eine Person altert, als bisher angenommen.
Basierend auf Berichten von Nature: Machine Learning.