Una fotografía de la parte posterior del ojo, tomada en segundos durante una visita oftalmológica rutinaria, contiene mucha más información de la que la mayoría de la gente imagina. Un estudio publicado en Nature Communications por investigadores de la Universidad de Lausana, el Centro Médico de la Universidad Erasmo y varias instituciones europeas más demuestra que un modelo de deep learning entrenado con imágenes de la retina puede predecir la edad cronológica de una persona con un error absoluto medio de 2.85 años. Lo que es más importante, la brecha entre la edad predicha y la edad real resulta ser una señal biológica significativa, vinculada a enfermedades cardiovasculares, demencia, cáncer, inflamación, rendimiento cognitivo y mortalidad por cualquier causa.
Un foundation model entrenado con 71,343 ojos
Para construir este sistema, el equipo de investigación ajustó RETFound, un foundation model diseñado para el análisis de imágenes retinianas, utilizando fotografías en color del fondo de ojo de 71,343 participantes del UK Biobank. El resultado es un modelo que no se limita a estimar la edad. Produce lo que los investigadores llaman una “brecha de edad retiniana”: la diferencia entre la edad que el modelo predice a partir de la imagen y la edad cronológica real de la persona.
Esta brecha es el verdadero hallazgo. Una brecha de edad retiniana positiva significa que el ojo parece más viejo de lo que sugeriría el año de nacimiento de la persona. Y esa discrepancia, resulta que se correlaciona con una serie de problemas de salud graves. Los rasgos cardiometabólicos, la inflamación sistémica, el deterioro cognitivo, las enfermedades cardiovasculares incidentes, la demencia y el cáncer muestran asociaciones con este único número derivado de un escaneo ocular no invasivo. La retina, que es esencialmente una extensión del tejido neural del cerebro, parece llevar rastros visibles de procesos de envejecimiento sistémico que se extienden mucho más allá del propio ojo.
Firmas específicas de cada sexo ocultas en la misma imagen
Esto es lo que la mayoría de las coberturas de imágenes médicas de IA suele pasar por alto: el mismo modelo, aplicado al mismo tipo de imagen, puede revelar historias biológicas fundamentalmente diferentes según el sexo del paciente. El análisis estratificado por sexo del estudio descubrió que, si bien el modelo se desempeñó de manera consistente en hombres y mujeres en términos de precisión de predicción, las asociaciones biológicas subyacentes divergieron drásticamente.
En los hombres, una mayor brecha de edad retiniana estuvo más fuertemente vinculada al síndrome metabólico. En las mujeres, tanto los patrones de atención del modelo como las señales genéticas apuntaron hacia una mayor participación de la vasculatura retiniana, la red de vasos sanguíneos visible en la imagen del fondo de ojo. Esto no es una nota al pie técnica menor. Sugiere que el mismo proceso de envejecimiento deja huellas dactilares anatómicas y moleculares diferentes según el sexo, y que un modelo capaz de detectar ambas está capturando algo genuinamente biológico en lugar de un artefacto estadístico.
La transición menopáusica añade otra capa. Las mujeres posmenopáusicas en el estudio mostraron valores de brecha de edad retiniana más altos que las mujeres premenopáusicas, y sus asociaciones clínicas se parecieron más a las observadas en los hombres. Este patrón implica que los cambios hormonales asociados con la menopausia pueden acelerar o redirigir el envejecimiento retiniano de maneras que desplazan el perfil biológico hacia un panorama de riesgo diferente.
Los análisis de todo el genoma reforzaron estos hallazgos. Los genes identificados a través de la brecha de edad retiniana se asociaron con la longevidad, el metabolismo, la neurodegeneración y las enfermedades oculares relacionadas con la edad, una convergencia de vías biológicas que posiciona a la retina como una ventana genuina al envejecimiento sistémico en lugar de un simple indicador de la salud ocular.
Por qué esto importa más allá de la clínica
La investigación sobre el envejecimiento ha lidiado durante mucho tiempo con un problema de medición fundamental. La edad cronológica es fácil de registrar pero es un mal predictor de la condición biológica. Dos personas nacidas en el mismo año pueden tener trayectorias de salud dramáticamente diferentes, y los factores de riesgo convencionales solo explican parcialmente por qué. Lo que este estudio aporta es un biomarcador candidato que no es invasivo, es escalable y se basa en una estructura biológica que ya se imagen de forma rutinaria en entornos clínicos.
La fotografía de fondo de ojo retiniano no requiere extracción de sangre, ni radiación, ni ningún procedimiento invasivo. Si la brecha de edad retiniana demuestra ser robusta en poblaciones más amplias y diversas, podría convertirse en una herramienta práctica para estratificar el riesgo de salud de maneras que van más allá de lo que las evaluaciones clínicas estándar capturan actualmente. El equipo de investigación señala que las asociaciones que encontraron se mantienen incluso después de tener en cuenta la edad cronológica misma, lo que significa que la brecha no está simplemente reafirmando lo que un certificado de nacimiento ya te dice.
Para la IA en la medicina en un sentido más amplio, este estudio ilustra un patrón que vale la pena entender. Los foundation models, grandes sistemas preentrenados adaptados a tareas específicas mediante ajustes finos, pueden extraer señales biológicas de datos clínicos existentes de formas que no se anticipaban cuando esos datos se recopilaron originalmente. El UK Biobank no se creó para estudiar el envejecimiento retiniano como un biomarcador sistémico. Sin embargo, un modelo entrenado con sus imágenes saca a la superficie asociaciones genéticas y clínicas que abarcan la cardiología, la neurología, la oncología y la endocrinología.
La experiencia humana necesaria para interpretar y validar esas asociaciones sigue siendo esencial. El modelo identifica patrones; los clínicos e investigadores determinan qué significan esos patrones y si se puede actuar sobre ellos.
En resumen
Un modelo de deep learning entrenado con fotografías de retina de 71,343 participantes del UK Biobank puede predecir la edad cronológica en un margen de 2.85 años. La brecha entre la edad predicha y la real se correlaciona con enfermedades cardiovasculares, demencia, cáncer, inflamación y mortalidad. Los hombres y las mujeres muestran la misma precisión de predicción pero diferentes firmas biológicas, y la transición menopáusica afecta visiblemente los patrones de envejecimiento retiniano en las mujeres. La retina, que ya es un objetivo de imagen rutinario en la práctica clínica, puede llevar más información sistémica sobre cómo está envejeciendo una persona de lo que se entendía anteriormente.
Basado en información de Nature: Machine Learning.