你的生物学年龄可能在说谎
一个算法查看你的眼底照片,然后估计你的年龄。如果它说你60岁,而你实际只有55岁,那么这5年的“年龄差”就被解读为你的身体衰老得比应有的速度更快。这类生物学衰老标志物,即“衰老时钟”,如今已有针对眼睛、大脑、胸部、腹部和血液的版本,一些研究已将较大的年龄差与疾病和死亡联系起来。
一项由伦敦大学学院和摩尔菲尔兹眼科医院牵头、55名研究人员参与的研究,发现了解读这些时钟的方式中存在一个缺陷。
五种时钟,五个队列
研究团队构建或使用了五种标志物:
- 视网膜年龄(Retinal Age),基于眼底照片(来自伦敦12,141名患者的65,360张图像);
- 胸部年龄(Chest Age),基于胸部X光片(21,733张图像);
- 腹部年龄(Abdominal Age),基于腹部CT扫描(4,984次扫描);
- 脑年龄(Brain Age),基于脑部磁共振成像(来自808人的1,454次扫描);
- PhenoAge,一个已发表的公式,将年龄与九项常规血液检测结合起来(41,512名英国生物银行参与者)。
四种器官时钟都是深度学习模型,只用没有任何疾病记录的人进行训练,然后在健康者与患者混合的人群中进行测试。与以往研究一样,五种时钟都显示:从整个队列的平均水平看,年龄差越大,健康状况越差。
向中间的拉力
所有这类统计模型都存在均值回归问题:它们的估计值会被拉向训练数据的平均年龄。年轻人看起来比实际年龄稍老,老年人则稍显年轻。这一点早已为人所知,也有相应的校正方法。
研究团队发现的是,这种拉力并非对所有人都相同。在四种器官时钟中,患者的年龄差随年龄增长而缩小的速度都快于健康者。以视网膜年龄为例,在患者组中,年龄每增长一岁,年龄差缩小0.31年,而在健康组中为0.18年。作者将其称为差异性均值回归。他们的解释是:对于一个用健康人训练的模型来说,疾病征象会让图像更难解读,因此其估计值会被更强烈地拉向平均值。
一种逐渐消失——甚至逆转——的关联
按年龄拆分数据后,后果就显现出来了。对于视网膜年龄,在50岁以下,年龄差每增加一年,患病的几率(odds)就提高11%,但到了80岁及以上,这种关联消失了。对于胸部年龄,这种关联在40岁以下为正,在40至70岁之间不存在,70岁以后则发生逆转:此时,一张“看起来更老”的胸部X光片反而略微对应着更好的健康状况。腹部年龄也呈现出类似的逐渐消失模式。
脑年龄是个例外:在各个年龄段,关联始终为正。组间差异和数值的离散程度同时缩小,因此两者之比保持稳定。作者总结说,差异性均值回归可能扭曲结果,但并非总是如此。
没有简单的解决办法
研究人员在视网膜年龄上尝试了常用的补救方法。重新校准年龄差使健康者的趋势变得平缓,却保留了患者组的趋势。用年龄分布完全均衡的数据重新训练模型,反而让偏差略微增大。其他三种器官时钟的情况也是如此。基于血液的PhenoAge直接将实际年龄作为输入,而不是去估计它,因此没有表现出这种偏差。
个人不等于队列
最引人注目的测试是对个体进行比较。在每个年龄段内,研究团队将每一名健康者与每一名患者两两配对。在每种时钟、每个年龄段中,至少四分之一的配对里,健康者的年龄差更大。对于80岁及以上人群的视网膜年龄,这一比例达到59%——比反过来的情况还要常见。一些健康患者看起来比同龄患者“老”8.8至16.4岁。就连PhenoAge也在39%至41%的配对中排错了顺序。
分年龄解读时钟
作者呼吁按年龄段而非整个队列来报告关联,并建议在模型中加入年龄与年龄差的交互项——在视网膜数据上,这一做法在最年长组中找回了大部分损失的性能。这项研究也有局限:“健康”仅指没有疾病记录,每种时钟只在单一队列中测试过,而且分析是横断面的。尽管如此,他们的结论毫不含糊:这些时钟目前没有一种能够单独判断某一个人的健康程度。
