Investigating the fundamental characteristics of retinal age models
Diese Studie zeigt auf, dass der Zusammenhang zwischen der retinalen Altersdifferenz und systemischen Erkrankungen aufgrund von Regression-zur-Mittelwert-Effekten über Alterssubgruppen hinweg inkonsistent ist und dass die Generalisierbarkeit von Modellen auf der Grundlage des anwendungsspezifischen Nutzens anstatt allein auf der Genauigkeit der Altersbestimmung bewertet werden sollte.
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, Ihre Augen wären wie eine hochmoderne Sicherheitskamera, die nicht nur Bilder von dem aufnimmt, was vor ihr liegt, sondern auch heimlich einen „biologischen Zeitstempel“ davon aufzeichnet, wie schnell Ihr Körper altert. Wissenschaftler nennen dies das Netzhautalter (Retinal Age). Wenn Ihre Augen älter aussehen als Ihr tatsächliches Geburtsdatum, wird dies als Netzhaut-Alterslücke (Retinal Age Gap, RAG) bezeichnet. Lange Zeit dachten Forscher, eine große Lücke bedeute: „Oje, dein Körper altert zu schnell und du könntest krank werden.“
Doch diese neue Studie, die von einem riesigen Team von Wissenschaftlern von Orten wie dem University College London und Harvard geleitet wurde, beschloss, diese Idee unter ein Mikroskop zu legen. Sie untersuchten über 327.764 Netzhautbilder von 60.865 Menschen, um zu sehen, ob die Geschichte wirklich so einfach ist.
Hier ist die Wendung, die sie fanden: Die Regel „ältere Augen = kranker Körper“ funktioniert nicht bei jedem gleich.
Das „Gravitations“-Problem
Die Forscher entdeckten, dass die Computermodelle, die das Netzhautalter schätzen, eine seltsame Angewohnheit haben, die man Regression zur Mitte (Regression-to-the-Mean, RTM) nennt. Denken Sie an einen Flummi, der immer in der Mitte des Raumes landen will.
Wenn Sie eine junge Person sind (sagen wir 20 Jahre alt) und Ihre Augen etwas abgenutzt aussehen, könnte das Modell schätzen, dass Sie 25 sind. Das ist eine positive Lücke, und es signalisiert korrekt: „Hey, da stimmt etwas nicht.“ Aber wenn Sie eine ältere Person sind (sagen wir 80 Jahre alt) mit sehr kranken Augen, wird das Modell verwirrt. Da es darauf trainiert ist, das „Durchschnittsalter“ zu erraten, zieht es seine Schätzung nach unten in Richtung der Mitte. Es könnte schätzen, dass eine 80-jährige Person mit schrecklichen Augen erst 75 Jahre alt ist.
Dies erzeugt eine negative Lücke (das Modell denkt, Sie seien jünger, als Sie sind), obwohl Sie eigentlich sehr krank sind. So bedeutete in älteren Gruppen eine „negative Lücke“ tatsächlich „krank“, was genau das Gegenteil von dem ist, was das Modell normalerweise meint! Die Studie fand heraus, dass dieser „Gravitationseffekt“ bei Menschen mit Krankheiten wie Herzproblemen oder Augenerkrankungen viel stärker ausgeprägt war als bei gesunden Menschen.
Die Altersfalle
Wegen dieser „Gravitation“ ändert sich der Zusammenhang zwischen der Alterslücke und Krankheit je nachdem, wie alt man ist.
- Bei jungen und mittelalten Menschen: Eine höhere Lücke (ältere Augen) deutet stark auf eine schlechte Gesundheit hin.
- Bei älteren Menschen: Dieser Zusammenhang wird schwächer und kehrt sich manchmal sogar komplett um. Die Studie zeigte, dass für Menschen über 90 das übliche Warnsignal einer hohen Alterslücke praktisch verschwindet oder sich sogar umkehrt.
Das Team versuchte, dies zu beheben, indem sie das Modell „kalibrierten“ (wie das Justieren einer Waage) oder es mit ausgewogeneren Daten fütterten, aber der seltsame „Gravitationseffekt“ trat weiterhin auf. Es stellt sich heraus, dass dies kein Bug ist, den man einfach durch ein Update beheben kann; es ist ein grundlegendes Merkmal der Funktionsweise dieser Modelle.
Die Lösung: Nicht raten, sondern fragen
Wie lösen wir das also? Die Forscher schlagen vor, dass wir anstatt nur auf die Alterslücke allein zu schauen, das Modell fragen sollten: „Wie alt ist diese Person und wie groß ist ihre Alterslücke?“
Als sie diese „Interaktion“ (die Kombination aus Alter und Lücke) in ihre mathematischen Formeln zur Vorhersage von Krankheiten einfügten, funktionierte es besser.
- Für junge und mittelalte Menschen verbesserte das Hinzufügen der Alterslücke die Fähigkeit, Krankheiten zu erkennen.
- Für ältere Menschen machte das Hinzufügen der Alterslücke ohne die Interaktion die Sache tatsächlich schlechter (es führte zu Fehlalarmen). Aber als sie die Interaktion einbezogen, hörte das Modell auf, diese Fehler zu machen, und blieb präzise.
Funktioniert es auch bei anderen Menschen?
Das Team testete ihr Modell an drei weiteren Gruppen von Menschen aus dem Vereinigten Königreich und Brasilien unter Verwendung unterschiedlicher Kameras.
- Die Genauigkeit: Das Modell war ziemlich gut darin, das Alter in der britischen Gruppe zu erraten (Fehler von etwa 3,80 Jahren), hatte aber mehr Schwierigkeiten mit den brasilianischen Gruppen (Fehler von 7,34 und 8,40 Jahren).
- Die Überraschung: Obwohl das Modell schlecht darin war, das exakte Alter in den brasilianischen Gruppen zu erraten, gelang es der „Alterslücke“ dennoch, kranke Menschen ziemlich gut zu identifizieren!
Dies deutet darauf an, dass man keinen perfekten Alters-raten-Roboter braucht, um Krankheiten zu finden. Manchmal kann selbst ein „ungeschickter“ Roboter Anzeichen von Krankheit erkennen, solange man weiß, wie man seine Ergebnisse für eine spezifische Gruppe von Menschen liest.
Das Fazit
Das Paper sagt nicht, dass das Netzhautalter nutzlos ist. Tatsächlich bestätigt es, dass Ihre Augen tatsächlich Geheimnisse über Ihre Gesundheit bergen. Es argumentet jedoch, dass wir nicht einfach eine einzige „Einheitsregel für alle“ verwenden können.
Wenn Sie jung sind, ist eine hohe Alterslücke ein Warnsignal. Wenn Sie sehr alt sind, könnte dasselbe Warnsignal ein Fehlalarm sein, der durch die „Gravitation“ des Modells verursacht wurde. Um dieses Werkzeug in der realen Welt einzusetzen, müssen Ärzte und Wissenschaftler vorsichtig sein: Sie müssen prüfen, ob das Modell für ihre spezifische Patientengruppe und ihr spezifisches Ziel (wie das Erraten des Alters vs. das Erkennen von Krankheiten) funktioniert.
Die Studie legt nahe, dass wir, bevor wir diese Werkzeuge in Krankenhäusern einsetzen, aufhören müssen anzunehmen, dass die Regeln für einen 20-Jährigen und einen 80-Jährigen dieselben sind. Es ist eine Erinnerung daran, dass die Biologie komplex ist und unsere Computer lernen müssen, ein wenig flexibler zu werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.