Trustworthy ML/AI for Aging Clocks: Preventing Systematic Prediction Bias in Biological Age Estimation
Diese Arbeit identifiziert und adressiert das kritische Problem des systematischen Vorurteils bei der Vorhersage in auf maschinellem Lernen basierenden Altersuhren, welches nachgeschaltete Assoziationsanalysen verzerren kann, indem sie ein optimiertes Rahmenwerk unter Nebenbedingungen vorschlägt, um eine valide biologische Altersschätzung und -inferenz zu gewährleisten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu messen, wie schnell ein Auto altert, indem Sie den Motor, den Lack und den Verschleiß der Reifen betrachten, anstatt einfach nur den Kilometerstand zu prüfen. Dies ist das Wesen der biologischen Altersforschung. Wir alle kennen unser chronologisches Alter – die Anzahl der Jahre seit unserer Geburt –, aber unsere Körper altern nicht immer im gleichen Tempo. Manche Menschen bleiben bis weit in ihre Siebzig Jahre hinein körperlich robust, während andere viel früher Anzeichen eines Verfalls zeigen. Wissenschaftler haben Werkzeuge namens „Aging Clocks“ (Alterungsuhren) entwickelt, um dieses biologische Alter zu schätzen. Diese Werkzeuge analysieren komplexe Daten aus unserer DNA, unserem Blut oder unseren Gehirnscans, um vorherzusagen, wie alt wir im Inneren sind. Das Ziel ist es, zu identifizieren, wer zu schnell altert und warum, damit Ärzte intervenieren können, um Krankheiten zu verhindern. Eine neue Studie deutet jedoch darauf an, dass genau die Computer, die zur Entwicklung dieser Uhren verwendet werden, uns täuschen könnten, was zu Schlussfolgerungen führt, die nicht nur falsch, sondern manchmal das genaue Gegenteil der Wahrheit sind.
Das Problem liegt darin, wie diese Computerprogramme, bekannt als Modelle des maschinellen Lernens, trainiert werden. Um einen Computer darauf zu trainieren, das biologische Alter zu erraten, füttern Forscher ihn mit Daten von Tausenden von Menschen und nutzen deren bekanntes chronologisches Alter als Lösungsschlüssel. Der Computer lernt, Muster in den biologischen Daten zu erkennen, die mit den Jahren auf einem Kalender übereinstimmen. Aber diese Programme haben einen verborgenen Fehler: Sie sind von Natur aus zur Mitte hin verzerrt. Wenn ein Modell unsicher ist, tendiert es dazu, den Mittelweg zu wählen. Für eine junge Person bedeutet dies, dass der Computer schätzt, sie sei älter, als sie wirklich ist. Für eine ältere Person schätzt er, sie sei jünger. Dies ist kein zufälliger Fehler; es ist ein systematischer Fehler, der die Extreme zur Mitte hin zusammenschrumpfen lässt. In der Welt der Altersforschung erzeugt dies ein verzerrtes Bild, in dem die ältesten Menschen biologisch jünger erscheinen, als sie sind, und die jüngsten älter erscheinen.
Die Forscher Hwiyoung Lee und Shuo Chen sowie ihr Team an der University of Maryland und anderen Institutionen entdeckten, dass diese Verzerrung mehr tut, als nur eine Zahl falsch zu berechnen. Sie zerstört grundlegend die Wissenschaft, die darauf folgt. Wenn Wissenschaftler diese fehlerhaften Uhren verwenden, um zu untersuchen, wie Lebensstilfaktoren wie Rauchen oder Ernährung das Altern beeinflussen, kann die Verzerrung die Ergebnisse komplett umkehren. In einem realen Test mit Gehirnscans deuteten die Standard-Computermodelle darauf hin, dass Menschen mit besseren kognitiven Fähigkeiten „ältere“ Gehirne hatten, was implizierte, dass Intelligenz einen schneller altern lässt. Dies ist eine unsinnige Schlussfolgerung. Als die Forscher die Verzerrung des Computers korrigierten, kehrte sich das Ergebnis zur erwarteten Realität um: Menschen mit besseren kognitiven Fähigkeiten hatten „jüngere“, widerstandsfähigere Gehirne. Ähnlich verhielt es sich in einer Studie zur Nierenfunktion: Die fehlerhaften Modelle deuteten darauf hin, dass eine schlechtere Nierengesundheit mit einem jüngeren biologischen Alter verbunden sei, während die korrigierten Modelle den logischen Zusammenhang zeigten: Eine schlechte Nierengesundheit ist mit beschleunigtem Altern assoziiert.
Um dies zu beheben, entwickelte das Team eine neue Methode namens „Unbiased Machine Learning Regression“ (Verzerrungsfreie Maschinelle Lernregression). Anstatt den Computer den Weg des geringsten Widerstands finden zu lassen, der zu diesem mittelwert-schrumpfenden Fehler führt, fügten sie strenge Regeln zum Trainingsprozess hinzu. Sie zwangen das Modell, für zwei spezifische Gruppen von Menschen perfekt genau zu sein: für diejenigen, die jünger sind, und für diejenigen, die älter sind. Indem sie das Modell an diesen beiden Punkten verankerten, wurde der Computer gezwungen, eine gerade, genaue Linie durch die Daten zu ziehen, wodurch sichergestellt wurde, dass eine Vorhersage von „älter“ auch wirklich älter bedeutet und „jünger“ auch wirklich jünger bedeutet. Als sie diese neue Methode auf Daten aus der UK Biobank und der Framingham Heart Study anwandten, verschwanden die systematischen Fehler. Die neuen Uhren zeigten nicht länger die seltsamen, umgekehrten Beziehungen zwischen Gesundheit und Alter.
Die Ergebnisse, die in einem Preprint veröffentlicht wurden, unterstreichen die dringende Notwendigkeit der Vorsicht im Umgang mit künstlicher Intelligenz, um die menschliche Gesundheit zu verstehen. Die Studie zeigt, dass es nicht ausreicht, lediglich ein Computermodell zu besitzen, das auf dem Papier korrekt aussieht; wenn das Modell verzerrt ist, kann es zu gefährlichen Missverständnissen darüber führen, was Krankheiten verursacht und wie man sie behandelt. Die Forscher haben ihre neuen, unverzerrten Werkzeuge anderen Wissenschaftlern zur Verfügung gestellt, um einen Weg zu bieten, der sicherstellt, dass die nächste Generation von Aging Clocks die Wahrheit über unsere Körper erzählt, anstatt eine Geschichte, die durch die Einschränkungen der verwendeten Software verzerrt wurde.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.