视网膜图像可预测生理年龄并揭示性别特异性衰老特征
摘要
研究利用英国生物银行71343名参与者的彩色眼底照片，微调RETFound基础模型预测实际年龄，平均绝对误差为2.85年。由此计算出的‘视网膜年龄差’（预测年龄减实际年龄）与心血管代谢指标、炎症水平、认知功能、全因死亡、痴呆、癌症及新发心血管疾病显著相关。全基因组分析发现多个与长寿、代谢、神经退行及年龄相关眼病相关的基因。分性别建模显示，男性更关联代谢综合征，女性则更突出视网膜血管变化，且绝经后女性的视网膜年龄差增大，临床关联模式趋近男性。
信息来源： PubMed Ophthalmology 发布于 2026年8月26日
要点速览
- 基于71,343名UK Biobank参与者的眼底图像，构建深度学习模型预测年龄，平均绝对误差为2.85年
- 视网膜年龄差与全因死亡、痴呆、癌症、心血管疾病等多种不良结局显著相关
- 基因组分析发现与长寿、代谢、神经退行及年龄相关眼病相关的遗传位点，且存在明显性别差异
本站解读
这项研究最实在的结论是：一张普通眼底彩照，就能算出你的‘眼睛老了多少岁’——在7万多人样本中，模型预测年龄和真实年龄平均只差2.85年；这个‘视网膜年龄差’越大，人越可能得心脑血管病、痴呆甚至早逝。研究设计扎实，用的是英国生物银行高质量队列数据，但属于观察性分析，不能直接证明因果关系。它暂时不会改变临床常规，因为目前没有证据表明调整这个‘年龄差’能改善健康结局，也未提供可操作的干预路径。
真正有潜力的方向是筛查和风险分层：比如未来体检中加入视网膜年龄评估，帮助识别高危人群做针对性监测。性别差异的发现很关键——女性绝经后视网膜老化加速且模式转向男性化，提示激素变化可能直接影响眼部微循环，这为理解衰老机制提供了新切口。国内情况有待确认。
常见问题
我的眼底照片能看出我身体老得快不快吗？
目前研究显示，通过深度学习分析眼底照片得出的‘视网膜年龄差’，确实与多种衰老相关疾病和死亡风险有关联，但它还不是一个临床诊断工具，不能单独用来判断你个人的健康状况或衰老速度。它更多是科研层面的风险提示信号。如有疑虑可咨询眼科医生。
为什么研究特别提到男女不一样？
研究发现，视网膜年龄差背后反映的生物学机制存在性别差异：男性更关联代谢问题，而女性则更体现视网膜血管变化，且绝经后女性的视网膜年龄差增大，其健康风险模式变得更像男性。这说明眼部衰老不是千篇一律的过程，激素状态可能深刻影响眼部微循环的老化轨迹。
延伸阅读
视网膜生物标志物在心血管疾病预测中的应用
心血管疾病（CVDs）是全球死亡的主要原因，先天性心脏病（CHD）、获得性心脏病（AHD）、瓣膜病和心肌病显著增加了发病率。视网膜眼底成像作为一种非侵入性技术，能够捕捉微血管变化，作为系统性心血管功能障碍的生物标志物。本研究系统回顾了2015年至2025年间发表的相关文献，评估了不同疾病焦点、成像模式、分析方法及诊断性能。结果表明，深度学习和机器学习模型应用于视网膜眼底图像，在检测和分类CVDs方面表现出较高的准确性。卷积神经网络在CHD检测中达到了91%的AUC值，而混合多模态方法提高了AHD和瓣膜病的预测敏感性。心肌病与血管扭曲和微出血相关，可通过自动化图像分析量化。新兴方法如基于Transformer的模型和Segment Anything Model (SAM) 的医疗影像适应，有望提高通用性和可解释性。尽管存在数据集不平衡、纵向验证有限和AI模型黑箱问题，视网膜成像仍具有作为可扩展、非侵入性工具的巨大潜力。
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
AI眼病诊断研究临床转化率低
这项系统综述分析了2020年至2025年8月间发表的43篇基于眼底照和OCT图像的深度学习眼病诊断研究，发现虽有超95%的模型宣称高准确率，但仅14.3%完成真正临床验证，23.1%未公开代码或实现细节。研究提出‘转化准备度框架’，整合技术透明度、验证严谨性与性能报告，为眼科AI落地提供评估标准。