Uma fotografia do fundo do olho, tirada em segundos durante uma consulta de rotina com o oftalmologista, contém muito mais informações do que a maioria das pessoas imagina. Um estudo publicado na revista Nature Communications por pesquisadores da Universidade de Lausanne, do Centro Médico da Universidade Erasmus e de várias outras instituições europeias demonstra que um modelo de deep learning treinado em imagens da retina pode prever a idade cronológica de uma pessoa com um erro médio absoluto de 2,85 anos. Mais importante ainda, a diferença entre a idade prevista e a idade real revela ser um sinal biológico significativo, ligado a doenças cardiovasculares, demência, cancro, inflamação, desempenho cognitivo e mortalidade por todas as causas.
Um Foundation Model Treinado em 71.343 Olhos
Para construir este sistema, a equipe de pesquisa aperfeiçoou o RETFound, um foundation model concebido para a análise de imagens da retina, utilizando fotografias coloridas do fundo do olho de 71.343 participantes do UK Biobank. O resultado é um modelo que não se limita a estimar a idade. Ele produz o que os pesquisadores chamam de “intervalo de idade retiniana”: a diferença entre a idade que o modelo prevê a partir da imagem e a idade cronológica real da pessoa.
Esta diferença é a descoberta real. Um intervalo de idade retiniana positivo significa que o olho parece mais velho do que o ano de nascimento da pessoa sugeriria. E essa discrepância, ao que parece, correlaciona-se com uma série de condições de saúde graves. Características cardiometabólicas, inflamação sistémica, declínio cognitivo, doenças cardiovasculares incidentes, demência e cancro mostram associações com este único número derivado de um exame ocular não invasivo. A retina, que é essencialmente uma extensão do tecido neural do cérebro, parece transportar vestígios visíveis de processos de envelhecimento sistémico que se estendem muito além do próprio olho.
Assinaturas Específicas de Sexo Ocultas na Mesma Imagem
Eis o que a maior parte da cobertura de exames de imagem médica por IA tende a ignorar: o mesmo modelo, aplicado ao mesmo tipo de imagem, pode revelar histórias biológicas fundamentalmente diferentes dependendo do sexo do paciente. A análise estratificada por sexo do estudo descobriu que, embora o modelo tenha tido um desempenho consistente entre homens e mulheres em termos de precisão de previsão, as associações biológicas subjacentes divergiram acentuadamente.
Nos homens, um intervalo de idade retiniana mais elevado esteve mais fortemente ligado à síndrome metabólica. Nas mulheres, tanto os padrões de atenção do modelo quanto os sinais genéticos apontaram para uma maior participação da vasculatura retiniana, a rede de vasos sanguíneos visível na imagem do fundo do olho. Esta não é uma nota de rodapé técnica menor. Ela sugere que o mesmo processo de envelhecimento deixa impressões digitais anatómicas e moleculares diferentes dependendo do sexo, e que um modelo capaz de detetar ambas está a capturar algo genuinamente biológico em vez de um artefato estatístico.
A transição menopausal acrescenta outra camada. As mulheres pós-menopáusicas no estudo apresentaram valores de intervalo de idade retiniana mais elevados do que as mulheres pré-menopáusicas, e as suas associações clínicas assemelharam-se mais às observadas nos homens. Este padrão implica que as alterações hormonais associadas à menopausa podem acelerar ou redirecionar o envelhecimento retiniano de formas que deslocam o perfil biológico para um cenário de risco diferente.
Análises de todo o genoma reforçaram estas descobertas. Os genes identificados através do intervalo de idade retiniana foram associados à longevidade, ao metabolismo, à neurodegeneração e a doenças oculares relacionadas com a idade, uma convergência de vias biológicas que posiciona a retina como uma janela genuína para o envelhecimento sistémico, em vez de apenas um indicador da saúde ocular.
Porque é que isto importa além da clínica
A investigação sobre o envelhecimento tem lutado há muito tempo com um problema fundamental de medição. A idade cronológica é fácil de registar, mas é um fraco preditor da condição biológica. Duas pessoas nascidas no mesmo ano podem ter trajetórias de saúde dramaticamente diferentes, e os fatores de risco convencionais explicam isso apenas parcialmente. O que este estudo contribui é com um biomarcador candidato que é não invasivo, escalável e baseado numa estrutura biológica que já é rotineiramente fotografada em ambientes clínicos.
A fotografia do fundo do olho não requer colheita de sangue, radiação ou procedimento invasivo. Se o intervalo de idade retiniana se provar robusto em populações mais amplas e diversificadas, ele poderá tornar-se uma ferramenta prática para estratificar o risco de saúde de maneiras que vão além do que as avaliações clínicas padrão capturam atualmente. A equipe de pesquisa observa que as associações que encontraram se mantêm mesmo após contabilizar a idade cronológica em si, o que significa que o intervalo não está simplesmente a reafirmar o que uma certidão de nascimento já lhe diz.
Para a IA na medicina de forma mais ampla, este estudo ilustra um padrão que vale a pena compreender. Os foundation models, sistemas grandes pré-treinados adaptados a tarefas específicas através de ajuste fino, podem extrair sinais biológicos de dados clínicos existentes de maneiras que não eram antecipadas quando esses dados foram originalmente recolhidos. O UK Biobank não foi construído para estudar o envelhecimento retiniano como um biomarcador sistémico. No entanto, um modelo treinado nas suas imagens traz à tona associações genéticas e clínicas que abrangem a cardiologia, a neurologia, a oncologia e a endocrinologia.
A experiência humana necessária para interpretar e validar essas associações continua a ser essencial. O modelo identifica padrões; médicos e pesquisadores determinam o que esses padrões significam e se são acionáveis.
Em suma
Um modelo de deep learning treinado em fotografias da retina de 71.343 participantes do UK Biobank pode prever a idade cronológica dentro de uma margem de 2,85 anos. A diferença entre a idade prevista e a real correlaciona-se com doenças cardiovasculares, demência, cancro, inflamação e mortalidade. Homens e mulheres mostram a mesma precisão de previsão, mas diferentes assinaturas biológicas, com a transição menopáusica a afetar visivelmente os padrões de envelhecimento retiniano nas mulheres. A retina, que já é um alvo de exames de imagem de rotina na prática clínica, pode carregar mais informações sistêmicas sobre como uma pessoa está a envelhecer do que se compreendia anteriormente.
Com base em reportagem de Nature: Machine Learning.