Una fotografia della parte posteriore dell’occhio, scattata in pochi secondi durante una normale visita oftalmologica, contiene molte più informazioni di quanto la maggior parte delle persone realizzi. Uno studio pubblicato su Nature Communications da ricercatori dell’Università di Losanna, dell’Erasmus University Medical Center e di diverse altre istituzioni europee dimostra che un modello di deep learning addestrato su immagini retiniche può prevedere l’età cronologica di una persona con un errore assoluto medio di 2.85 anni. Ancora più importante, il divario tra l’età prevista e quella effettiva si rivela essere un segnale biologico significativo, legato a malattie cardiovascolari, demenza, cancro, infiammazione, prestazioni cognitive e mortalità per tutte le cause.
Un Foundation Model Addestrato su 71.343 Occhi
Per costruire questo sistema, il team di ricerca ha messo a punto RETFound, un foundation model progettato per l’analisi delle immagini retiniche, utilizzando fotografie a colori del fondo oculare di 71.343 partecipanti alla UK Biobank. Il risultato è un modello che non si limita a stimare l’età. Produce quello che i ricercatori chiamano “retinal age gap”: la differenza tra l’età che il modello prevede dall’immagine e l’effettiva età cronologica della persona.
Questo divario è la vera scoperta. Un retinal age gap positivo significa che l’occhio appare più vecchio di quanto l’anno di nascita della persona lascerebbe supporre. E questa discrepanza, a quanto pare, si correla con una serie di gravi condizioni di salute. Tratti cardiometabolici, infiammazione sistemica, declino cognitivo, insorgenza di malattie cardiovascolari, demenza e cancro mostrano tutti associazioni con questo singolo numero derivato da una scansione oculare non invasiva. La retina, che è essenzialmente un’estensione del tessuto neurale del cervello, sembra portare tracce visibili di processi di invecchiamento sistemico che si estendono ben oltre l’occhio stesso.
Firme Specifiche per Sesso Nascoste nella Stessa Immagine
Ecco cosa la maggior parte della copertura mediatica sull’imaging medico basato sull’IA tende a tralasciare: lo stesso modello, applicato allo stesso tipo di immagine, può rivelare storie biologiche fondamentalmente diverse a seconda del sesso del paziente. L’analisi stratificata per sesso dello studio ha rilevato che, sebbene il modello abbia funzionato in modo coerente tra maschi e femmine in termini di accuratezza di previsione, le associazioni biologiche sottostanti divergevano nettamente.
nei maschi, un retinal age gap maggiore era più fortemente legato alla sindrome metabolica. Nelle femmine, sia i pattern di attenzione del modello sia i segnali genetici indicavano un maggiore coinvolgimento del sistema vascolare retinico, la rete di vasi sanguigni visibile nell’immagine del fondo oculare. Questa non è una nota a piè di pagina di carattere tecnico minore. Suggerisce che lo stesso processo di invecchiamento lasci impronte anatomiche e molecolari diverse a seconda del sesso, e che un modello capace di rilevarle entrambe stia catturando qualcosa di genuinamente biologico piuttosto che un artefatto statistico.
La transizione menopausale aggiunge un ulteriore livello. Le femmine in postmenopausa nello studio hanno mostrato valori di retinal age gap più elevati rispetto alle femmine in premenopausa, e le loro associazioni cliniche somigliavano più da vicino a quelle osservate nei maschi. Questo pattern implica che i cambiamenti ormonali associati alla menopausa possano accelerare o reindirizzare l’invecchiamento retinico in modi che spostano il profilo biologico verso un diverso panorama di rischio.
Le analisi sull’intero genoma hanno rafforzato questi risultati. I geni identificati attraverso il retinal age gap sono stati associati a longevità, metabolismo, neurodegenerazione e malattie oculari legate all’età, una convergenza di percorsi biologici che posiziona la retina come una vera finestra sull’invecchiamento sistemico piuttosto che come un semplice indicatore della salute degli occhi.
Perché Questo È Importante Oltre la Clinica
La ricerca sull’invecchiamento ha lottato a lungo con un problema di misurazione fondamentale. L’età cronologica è facile da registrare ma è un cattivo predittore della condizione biologica. Due persone nate nello stesso anno possono avere traiettorie di salute drammaticamente diverse, e i fattori di rischio convenzionali spiegano solo in parte il perché. Ciò che questo studio apporta è un biomarcatore candidato che è non invasivo, scalabile e radicato in una struttura biologica che viene già regolarmente fotografata in contesti clinici.
La fotografia del fondo retinico non richiede alcun prelievo di sangue, nessuna radiazione e nessuna procedura invasiva. Se il retinal age gap si dimostrerà robusto su popolazioni più ampie e diverse, potrebbe diventare uno strumento pratico per stratificare il rischio di salute in modi che vanno oltre ciò che le valutazioni cliniche standard attualmente catturano. Il team di ricerca nota che le associazioni trovate rimangono valide anche dopo aver tenuto conto dell’età cronologica stessa, il che significa che il divario non sta semplicemente ribadendo ciò che un certificato di nascita ti dice già.
Per l’IA in medicina in un senso più ampio, questo studio illustra un pattern che vale la pena comprendere. I foundation model, grandi sistemi preaddestrati adattati a compiti specifici attraverso il fine-tuning, possono estrarre segnali biologici da dati clinici esistenti in modi che non erano stati previsti quando quei dati sono stati originariamente raccolti. La UK Biobank non è stata costruita per studiare l’invecchiamento retinico come biomarcatore sistemico. Eppure un modello addestrato sulle sue immagini fa emergere associazioni genetiche e cliniche che abbracciano cardiologia, neurologia, oncologia ed endocrinologia.
L’esperienza umana richiesta per interpretare e validare tali associazioni rimane essenziale. Il modello identifica i pattern, mentre i clinici e i ricercatori determinano cosa significano quei pattern e se sono utilizzabili nella pratica.
In Breve
Un modello di deep learning addestrato su fotografie retiniche di 71.343 partecipanti alla UK Biobank può prevedere l’età cronologica nel giro di 2.85 anni. Il divario tra l’età prevista e quella effettiva si correla con malattie cardiovascolari, demenza, cancro, infiammazione e mortalità. Maschi e femmine mostrano la stessa accuratezza di previsione ma firme biologiche diverse, con la transizione menopausale che influenza visibilmente i pattern di invecchiamento retinico nelle femmine. La retina, già un bersaglio di imaging di routine nella pratica clinica, potrebbe trasportare più informazioni sistemiche su come una persona sta invecchiando di quanto compreso in precedenza.
Basato su un articolo di Nature: Machine Learning.