在臨床醫(yī)學(xué)里，年齡是極為常用的健康風(fēng)險預(yù)測指標。不過，單純的“實際年齡”難以體現(xiàn)個體在生物層面的異質(zhì)性和衰老速度。人體衰老其實是一系列分子及結(jié)構(gòu)改變不斷累積的結(jié)果，表現(xiàn)為細胞功能減退、器官系統(tǒng)衰退，以及對疾病的易感性增加。精準量化衰老過程，特別是準確估計生物年齡，對于疾病風(fēng)險預(yù)測和干預(yù)策略設(shè)計意義重大。隨著人工智能尤其是深度學(xué)習(xí)技術(shù)的發(fā)展，研究者開始嘗試借助豐富的醫(yī)學(xué)影像數(shù)據(jù)，提取生理變化特征，以此預(yù)測個體的生物年齡，從而更精細地反映健康狀態(tài)。

近期，發(fā)表在《柳葉刀·健康長壽》雜志上的一項綜述，總結(jié)了基于人工智能的多種醫(yī)學(xué)影像技術(shù)在生物年齡預(yù)測領(lǐng)域的重要進展。研究團隊系統(tǒng)整合了腦部 MRI、胸腔 CT 及 X 光、腹部 CT 與 MRI、骨骼影像及面部照片等多模態(tài)影像的數(shù)據(jù)驅(qū)動方法，深入探討了人工智能年齡估計中的模型評估流程、臨床應(yīng)用前景、技術(shù)和倫理難點，為未來個性化醫(yī)療和健康風(fēng)險管理開辟了新思路。

研究者檢索了 2016 至 2024 年間關(guān)于基于人工智能的醫(yī)學(xué)影像年齡預(yù)測的代表性研究，重點關(guān)注腦部、胸部、腹部、骨骼和面部影像。多項研究采用了多種深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、高斯過程回歸和 Transformer 模型。模型訓(xùn)練通常基于大規(guī)模帶有標簽（年齡信息）的醫(yī)學(xué)影像數(shù)據(jù)集，分階段評估準確度和偏差，并在臨床隊列中驗證年齡偏差與健康結(jié)局的相關(guān)性。

研究結(jié)果

1. 腦部年齡預(yù)測

腦部 MRI 結(jié)合深度學(xué)習(xí)技術(shù)在年齡預(yù)測領(lǐng)域處于領(lǐng)先地位。多篇研究表明，腦預(yù)測年齡與實際年齡高度相關(guān)，平均絕對誤差（MAE）在 1.97 至 7.11 歲之間。腦年齡偏差與認知功能障礙、執(zhí)行功能減退、癡呆癥狀嚴重程度及神經(jīng)退行性病變相關(guān)，能夠反映 tau 蛋白病理和淀粉樣蛋白沉積。多模態(tài)成像結(jié)合 PET - MRI 進一步揭示了腦衰老與神經(jīng)病理的聯(lián)系。此外，腦年齡偏差還與死亡風(fēng)險、身體機能指標（握力、肺功能）及全身生物應(yīng)激負擔(dān)相關(guān)，顯示出其作為整體健康狀態(tài)生物標志物的價值。但構(gòu)建兒科人群腦齡估計模型仍存在挑戰(zhàn)，急需年齡特異性影像模板。

圖：不同身體部位和成像方法的年齡估計技術(shù)概述

2. 胸部影像的年齡估計

胸部 X 光及 CT 影像結(jié)合卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的年齡預(yù)測模型，MAE 在 1.80 至 4.69 歲之間。胸部年齡偏差與心血管疾病預(yù)后顯著相關(guān)，如心衰再入院和全因死亡風(fēng)險。它還與高血壓、慢性阻塞性肺疾病、肝硬化等多種疾病相關(guān)。通過解釋性算法（如 SHAP 與 Grad - CAM）能精準定位心臟、肺部、血管在年齡預(yù)測中的貢獻，揭示不同器官系統(tǒng)的衰老模式。這一多器官整合視角為個性化心肺健康管理提供了新方法。

3. 腹部影像年齡預(yù)測

利用腹部與胸腹部 CT 及肝臟與胰腺 MRI，研究構(gòu)建了基于深度學(xué)習(xí)的模型，MAE 為 2.94 至 6.5 歲。整體腹部年齡以及器官特異性年齡預(yù)測顯示多器官對衰老信息具有互補性。腹部年齡偏差與臨床表型、遺傳學(xué)指標顯著相關(guān)，遺傳學(xué)分析顯示加速腹部衰老具有 26.3% 的遺傳率。基于體內(nèi)多個臟器的綜合年齡評估，有望促進針對性干預(yù)和疾病預(yù)警，尤其是腹部相關(guān)疾病的早期篩查。

4. 骨骼年齡估計

骨齡估計主要針對兒童和青少年的成長過程，骨齡與生長發(fā)育密切相關(guān)。利用手部 X 光或膝關(guān)節(jié) MRI 進行深度學(xué)習(xí)建模，MAE 極低，約 0.67 至 1.32 年。與成年生物年齡預(yù)測不同，骨齡的偏差并非衰老指標，主要用于評估生長異常和預(yù)測成人身高。骨齡算法在老年人骨質(zhì)疏松及骨髓健康評估中的潛力還有待開發(fā)。

5. 面部年齡估計

利用二維/三維面部圖像，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)及 Transformer 模型，可實現(xiàn)年齡預(yù)測，MAE 在 1.94 至 7.52 歲之間。高面部年齡偏差與慢性心腦血管疾病、癌癥患者的生存率呈負相關(guān)。面部年齡顯示出與細胞衰老相關(guān)基因（如 CDK6）的遺傳關(guān)聯(lián)，能增強終末期癌癥患者生存風(fēng)險預(yù)測的準確性。但面部影像因光線、表情、化妝及種族群體代表性不足而存在模型偏見，需要多樣化數(shù)據(jù)集及公平性校正。

6. 眼底圖像預(yù)測

利用視網(wǎng)膜照片和深度學(xué)習(xí)模型（如 VGG 和 Xception），可直接回歸預(yù)測年齡或分類識別老年閾值。視網(wǎng)膜年齡偏差與全因及多種疾病死亡風(fēng)險顯著相關(guān)。視網(wǎng)膜影像捕捉了血管與神經(jīng)系統(tǒng)的衰老，具有非侵入、低成本的醫(yī)療優(yōu)勢，是很有潛力的衰老生物標志物。

綜上所述，該綜述全面呈現(xiàn)了人工智能驅(qū)動的影像生物年齡估計技術(shù)的現(xiàn)狀，展示了多模態(tài)影像結(jié)合深度學(xué)習(xí)在揭示生理衰老多樣性和預(yù)測健康結(jié)局方面的巨大潛力。年齡偏差作為非侵入、直觀的生物標志物，有望成為個性化醫(yī)療和疾病管理的重要工具，可優(yōu)化患者分層，輔助治療決策，指導(dǎo)健康干預(yù)。此外，人工智能算法實時部署于臨床影像設(shè)備，可實現(xiàn)“順勢檢測”，降低醫(yī)療成本，推動早診早治。

另一方面，文中也強調(diào)了技術(shù)瓶頸，包括訓(xùn)練數(shù)據(jù)年齡分布偏倚、模型泛化能力不足、外部驗證缺失及算法魯棒性問題。在倫理層面，必須主動防范隱私泄露、算法偏見及潛在負面社會影響，確保技術(shù)公平透明地惠及不同群體。本文呼吁跨界合作，推動標準制定和法規(guī)完善，保障人工智能生物年齡預(yù)測的安全有效推廣。

參考資料：

[ 1 ] Haugg F, Lee G, He J, Johnson J, Zapaishchykova A, Bitterman DS, Kann BH, Aerts HJWL, Mak RH. Imaging biomarkers of ageing: a review of artificial intelligence - based approaches for age estimation. Lancet Healthy Longev. 2025;Vol ( x ) :1 - 11. DOI:10.1016/j.lanhl.2025.100728

撰文 | 梅斯醫(yī)學(xué)

編輯 | 木白

●

●

●

點擊下方「閱讀原文」立刻下載梅斯醫(yī)學(xué) APP！

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com