🧬 biology

Investigating the fundamental characteristics of retinal age models

यह अध्ययन प्रकट करता है कि रेटिनल आयु अंतराल और प्रणालीगत रोगों के बीच का संबंध 'रिग्रेशन-टू-द-मीन' (प्रतिगमन-टू-द-मीन) प्रभावों के कारण आयु उपसमूहों में असंगत है और मॉडल की सामान्यीकरण क्षमता का मूल्यांकन केवल आयु अनुमान की सटीकता के बजाय अनुप्रयोग-विशिष्ट उपयोगिता के आधार पर किया जाना चाहिए।

मूल लेखक: Yukun Zhou, Yiqun Lin, Ariel Ong, Matthew Wong, Yilan Wu, Wenyi Hu, Shubhank Verma, Broder Poschkamp, Lie Ju, Akshay Narayan, Sophie Martin, Maitrei Kohli, Fares Antaki, Alexander Heatley, Meng Wang

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yukun Zhou, Yiqun Lin, Ariel Ong, Matthew Wong, Yilan Wu, Wenyi Hu, Shubhank Verma, Broder Poschkamp, Lie Ju, Akshay Narayan, Sophie Martin, Maitrei Kohli, Fares Antaki, Alexander Heatley, Meng Wang, Ke Zou, Zheyuan Wang, Eden Ruffell, Dominic Williamson, Justin Engelmann, Hyunmin Kim, Takahiro Ninomiya, Rahul Jonas, Yansong Liu, Zijie Cheng, Hanyuan Zhang, Hejie Cui, Hualiang Wang, Zuozhu Liu, Bin Pu, Chubo Liu, Kenli Li, Jiayang Xu, Xinpeng Ding, Guokai Zhang, Huazhu Fu, Zongyuan Ge, Xujia Liu, Mohammad Eslami, Milen Raytchev, Tobias Elze, Michael Morley, Neil Oxtoby, Daniel Alexander, Anthony Khawaja, Ching-Yu Cheng, Lisa Zhu, Yih-Chung Tham, James Cole, Carol Cheung, Pearse Santos, Siegfried Wagner

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपकी आँखें एक हाई-टेक सुरक्षा कैमरे की तरह हैं जो न केवल अपने सामने की चीजों की तस्वीरें लेती हैं, बल्कि गुप्त रूप से आपके शरीर के उम्र बढ़ने की गति का एक "जैविक टाइमस्टैम्प" (biological timestamp) भी रिकॉर्ड करती हैं। वैज्ञानिक इसे रेटिनल एज (Retinal Age) कहते हैं। यदि आपकी आँखें आपकी वास्तविक जन्मतिथि से अधिक पुरानी दिखती हैं, तो इसे रेटिनल एज गैप (RAG) कहा जाता है। लंबे समय तक, शोधकर्ताओं का मानना था कि एक बड़ा अंतर इस बात का संकेत है कि "ओह, आपका शरीर बहुत तेजी से बूढ़ा हो रहा है और आप बीमार पड़ सकते हैं।"

लेकिन इस नए अध्ययन ने, जिसका नेतृत्व यूनिवर्सिटी कॉलेज लंदन और हार्वर्ड जैसी जगहों के वैज्ञानिकों की एक विशाल टीम ने किया था, इस विचार को सूक्ष्मदर्शी (microscope) के नीचे रखने का निर्णय लिया। उन्होंने यह देखने के लिए कि क्या कहानी वास्तव में इतनी सरल है, 60,865 लोगों की 327,764 से अधिक रेटिनल छवियों का विश्लेषण किया।

यहाँ एक मोड़ (twist) आया जो उन्होंने पाया: "पुरानी आँखें = बीमार शरीर" वाला नियम हर किसी के लिए एक जैसा काम नहीं करता है।

"गुरुत्वाकर्षण" की समस्या (The "Gravity" Problem)

शोधकर्ताओं ने पाया कि रेटिनल आयु का अनुमान लगाने वाले कंप्यूटर मॉडल में एक अजीब आदत होती है जिसे रिग्रेशन-टू-द-मीन (Regression-to-the-Mean - RTM) कहते हैं। इसे एक उछलती हुई गेंद की तरह समझें जो हमेशा कमरे के बीच में ही उतरना चाहती है।

यदि आप एक युवा व्यक्ति हैं (मान लीजिए 20 वर्ष के) और आपकी आँखें थोड़ी घिसी हुई दिखती हैं, तो मॉडल अनुमान लगा सकता है कि आप 25 वर्ष के हैं। यह एक पॉजिटिव गैप है, और यह सही संकेत देता है कि "हे, कुछ गलत है।" लेकिन यदि आप एक बुजुर्ग व्यक्ति हैं (मान लीजिए 80 वर्ष के) जिनकी आँखें बहुत खराब स्थिति में हैं, तो मॉडल भ्रमित हो जाता है। क्योंकि इसे "औसत" आयु का अनुमान लगाने के लिए प्रशिक्षित किया गया है, यह अपने अनुमान को बीच की ओर, यानी नीचे की ओर खींच लेता है। यह अनुमान लगा सकता है कि 80 साल के व्यक्ति जिसकी आँखें बहुत खराब हैं, वह केवल 75 वर्ष का है।

यह एक नेगेटिव गैप पैदा करता है (मॉडल सोचता है कि आप अपनी वास्तविक आयु से कम उम्र के हैं), भले ही आप वास्तव में बहुत बीमार हों। इसलिए, वृद्ध समूहों में, एक "नेगेटिव गैप" का मतलब वास्तव में "बीमार होना" था, जो कि उस चीज़ का बिल्कुल उल्टा है जिसे मॉडल आमतौर पर दर्शाता है! अध्ययन में पाया गया कि यह "गुरुत्वाकर्षण" प्रभाव स्वस्थ लोगों की तुलना में हृदय संबंधी समस्याओं या आँखों की बीमारियों वाले लोगों में बहुत अधिक मजबूत था।

उम्र का जाल (The Age Trap)

इस "गुरुत्वाकर्षण" के कारण, आयु अंतराल (age gap) और बीमारी के बीच का संबंध इस बात पर निर्भर करता है कि आप कितने उम्र के हैं।

युवा और मध्यम आयु वर्ग के लोगों में: एक उच्च गैप (पुरानी आँखें) खराब स्वास्थ्य का प्रबल संकेत देता है।
बुजुर्गों में: वह संबंध कमजोर हो जाता है, और कभी-कभी पूरी तरह से उलट जाता है। अध्ययन ने दिखाया कि 90 वर्ष से अधिक आयु के लोगों के लिए, उच्च आयु अंतराल का सामान्य चेतावनी संकेत लगभग गायब हो जाता है या उल्टा भी हो जाता है।

टीम ने मॉडल को "कैलिब्रेट" करके (जैसे कि एक तराजू को एडजस्ट करना) या इसे अधिक संतुलित डेटा देकर इसे ठीक करने की कोशिश की, लेकिन वह अजीब "गुरुत्वाकर्षण" प्रभाव होता रहा। यह पता चलता है कि यह कोई ऐसा बग नहीं है जिसे आप बस ठीक कर सकें; यह एक मौलिक विशेषता है कि ये मॉडल कैसे काम करते हैं।

समाधान: अनुमान न लगाएं, पूछें (Don't Guess, Ask)

तो, हम इसे कैसे ठीक करें? शोधकर्ता सुझाव देते हैं कि केवल आयु अंतराल को देखने के बजाय, हमें मॉडल से पूछना चाहिए: "यह व्यक्ति कितना पुराना है, और इसका आयु अंतराल क्या है?"

जब उन्होंने इस "इंटरैक्शन" (आयु और अंतराल को मिलाना) को अपनी बीमारी भविष्यवाणी गणित में जोड़ा, तो यह बेहतर काम करने लगा।

युवा और मध्यम आयु वर्ग के लोगों के लिए, आयु अंतराल जोड़ने से बीमारी पहचानने की क्षमता में सुधार हुआ।
वृद्ध लोगों के लिए, बिना इंटरैक्शन के आयु अंतराल जोड़ने से चीजें वास्तव में खराब हो गईं (इससे गलत अलार्म मिलने लगे)। लेकिन जब उन्होंने इसमें इंटरैक्शन को शामिल किया, तो मॉडल ने ये गलतियाँ करना बंद कर दिया और सटीक बना रहा।

क्या यह अन्य लोगों पर भी काम करता है?

टीम ने यूके और ब्राजील के तीन अन्य समूहों पर अपने मॉडल का परीक्षण किया, जिसमें अलग-अलग कैमरों का उपयोग किया गया।

सटीकता: मॉडल यूके समूह में आयु का अनुमान लगाने में काफी अच्छा था (लगभग 3.80 वर्ष की त्रुटि), लेकिन ब्राजील के समूहों के साथ इसे अधिक संघर्ष करना पड़ा (त्रुटि 7.34 और 8.40 वर्ष)।
आश्चर्य: भले ही मॉडल ब्राजील के समूहों में सटीक आयु बताने में खराब था, फिर भी "आयु अंतराल" बीमारी का पता लगाने में काफी प्रभावी रहा!

यह सुझाव देता है कि बीमारी का पता लगाने के लिए आपको एक परफेक्ट आयु-अनुमान लगाने वाले रोबोट की आवश्यकता नहीं है। कभी-कभी, एक "अनाड़ी" रोबोट भी बीमारी के संकेतों को पहचान सकता है, बशर्ते आप उस विशिष्ट समूह के लिए इसके परिणामों को पढ़ना जानते हों।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर यह नहीं कहता कि रेटिनल एज बेकार है। वास्तव में, यह पुष्टि करता है कि आपकी आँखें आपके स्वास्थ्य के बारे में रहस्य रखती हैं। हालांकि, यह तर्क देता है कि हम केवल एक एकल "एक ही नियम सबके लिए" (one-size-fits-all) वाला नियम इस्तेमाल नहीं कर सकते।

यदि आप युवा हैं, तो उच्च आयु अंतराल एक रेड फ्लैग (चेतावनी का संकेत) है। यदि आप बहुत वृद्ध हैं, तो वही रेड फ्लैग मॉडल के "गुरुत्वाकर्षण" के कारण एक गलत अलार्म हो सकता है। इन उपकरणों को वास्तविक दुनिया में उपयोग करने के लिए, डॉक्टरों और वैज्ञानिकों को सावधान रहने की आवश्यकता है: उन्हें यह जांचना होगा कि क्या मॉडल उनके रोगियों के विशिष्ट समूह और उनके विशिष्ट लक्ष्य (जैसे आयु का अनुमान लगाना बनाम बीमारी का पता लगाना) के लिए काम करता है।

अध्ययन सुझाव देता है कि इससे पहले कि हम इन उपकरणों का उपयोग अस्पतालों में करना शुरू करें, हमें यह मान लेना बंद करना होगा कि 20 साल के व्यक्ति और 80 साल के व्यक्ति के लिए नियम एक समान हैं। यह एक याद दिलाता है कि जीव विज्ञान जटिल है, और हमारे कंप्यूटरों को थोड़ा अधिक लचीला होना सीखना होगा।

तकनीकी सारांश: रेटिनल एज मॉडल्स की मूलभूत विशेषताओं की जांच

समस्या विवरण
फंडस छवियों से अनुमानित रेटिनल आयु (retinal age), एक जैविक उम्र बढ़ने के मार्कर के रूप में कार्य करती है, जहाँ क्रोनोलॉजिकल आयु (chronological age) से विचलन, जिसे रेटिनल एज गैप (RAG) कहा जाता है, प्रतिकूल स्वास्थ्य परिणामों की भविष्यवाणी करने के लिए व्यापक रूप से उपयोग किया जाता है। हालाँकि, RAG के विश्लेषण के लिए महत्वपूर्ण रेटिनल एज मॉडल्स की मूलभूत विशेषताओं का अभी भी अपर्याप्त अन्वेषण किया गया है। विशेष रूप से, विभिन्न आयु उपसमूहों में RAG-रोग संबंधों की निरंतरता और विविध कोहॉर्ट्स एवं इमेजिंग उपकरणों के बीच इन मॉडल्स की सामान्यीकरण क्षमता (generalisability) को पूरी तरह से समझा नहीं गया है। एक प्रमुख चिंता "रिग्रेशन-टू-द-मीन" (RTM) प्रभाव है, जो रिग्रेशन मॉडल्स में एक सांख्यिकीय घटना है जहाँ भविष्यवाणियाँ व्यवस्थित रूप से प्रशिक्षण जनसंख्या के माध्य (mean) की ओर खिंच जाती हैं। इससे कम उम्र के व्यक्तियों में आयु का अधिक आकलन (overestimation) और वृद्ध व्यक्तियों में कम आकलन (underestimation) हो सकता है। लेखक यह परिकल्पना करते हैं कि स्वस्थ और अस्वस्थ आबादी के बीच विभेदक (differential) RTM प्रभाव, आयु समूहों के बीच स्वास्थ्य स्थिति और RAG के बीच असंगत संबंधों का कारण बन सकते हैं, जिससे नैदानिक अनुप्रयोगों में गलत व्याख्या होने की संभावना बनी रहती है।

कार्यप्रणाली (Methodology)
इस अध्ययन में एक बड़े पैमाने के डेटासेट का उपयोग किया गया जिसमें AlzEye कोहॉर्ट (आंतरिक) और तीन बाहरी कोहॉर्ट्स (UK Biobank, BRSET, और mBRSET) से ली गई 327,764 रेटिनल छवियां शामिल थीं, जिनमें विशिष्ट आबादी और इमेजिंग उपकरण थे।

मॉडल आर्किटेक्चर: रेटिनल एज मॉडल को एक विजन ट्रांसफार्मर (ViT) बैकबोन, विशेष रूप से DINOv3-Large का उपयोग करके विकसित किया गया था, जिसे LVD142M डेटासेट पर प्री-ट्रेन किया गया था। यह आर्किटेक्चर 224×224 छवियों को प्रोसेस करता है, पैच टोकन को औसत (average) करके एक 1,024-आयामी फीचर वेक्टर बनाता है, और क्रोनोलॉजिकल आयु का अनुमान लगाने के लिए एक कस्टम रिग्रेशन हेड (लीनियर लेयर, ReLU, ड्रॉपआउट, फाइनल लीनियर आउटपुट) के माध्यम से इसे पास करता है।
प्रशिक्षण और मूल्यांकन: मॉडल को AlzEye डेटासेट पर प्रशिक्षित किया गया था। प्रदर्शन का मूल्यांकन मीन एब्सोल्यूट एरर (MAE), रूट मीन स्क्वायर एरर (RMSE), और पियर्सन के $r^2$ द्वारा किया गया।
एसोसिएशन विश्लेषण: RAG को अनुमानित रेटिनल आयु और क्रोनोलॉजिकल आयु के अंतर के रूप में परिभाषित किया गया। क्रोनोलॉजिकल आयु के लिए एडजस्ट करते हुए, रोग की स्थिति (अस्वस्थ बनाम स्वस्थ, और कार्डियोवैस्कुलर, क्रोनिक सिस्टमिक, और नेत्र संबंधी रोगों जैसे विशिष्ट रोग उपसमूह) के साथ RAG के संबंध का विश्लेषण करने के लिए लॉजिस्टिक रिग्रेशन का उपयोग किया गया।
RTM की जांच: लेखकों ने आयु और स्वास्थ्य स्थिति के बीच इंटरेक्शन को मॉडल करके विभेदक RTM के लिए स्पष्ट रूप से परीक्षण किया। उन्होंने यह पता लगाया कि क्या देखे गए असंतुलनों को निम्नलिखित द्वारा कम किया जा सकता है:
1. स्वस्थ उपसमूह के आधार पर RAG का लीनियर और क्वाड्रेटिक आयु कैलिब्रेशन।
2. संतुलित आयु वितरण (आयु बिनों में यूनिफॉर्म सैंपलिंग) पर मॉडल को फिर से प्रशिक्षित करना।
डाउनस्ट्रीम क्लासिफिकेशन: रोग का पता लगाने में RAG की उपयोगिता का आकलन करने के लिए, तीन लॉजिस्टिक रिग्रेशन मॉडल्स की तुलना की गई: (1) केवल आयु, (2) आयु + RAG, और (3) आयु + RAG + आयु × RAG इंटरेक्शन। प्रदर्शन का मापन AUC और थ्रेशोल्ड-आधारित मेट्रिक्स (सेंसिटिविटी, स्पेसिफिसिटी, F1 स्कोर) के माध्यम से किया गया।

एक्सटर्नल वैलिडेशन: मॉडल को बिना पुनः प्रशिक्षण के ("ऑफ-द-शेल्फ") और बाहरी कैलिब्रेशन (बाहरी ट्रेनिंग स्प्लिट्स पर लॉजिस्टिक रिग्रेशन के गुणांकों और थ्रेशोल्ड को फिर से फिट करना) के साथ बाहरी डेटासेट्स पर लागू किया गया ताकि आयु अनुमान सटीकता, रोग जुड़ाव की शक्ति, और वर्गीकरण प्रदर्शन जैसे विभिन्न मेट्रिक्स के माध्यम से सामान्यीकरण क्षमता का मूल्यांकन किया जा सके।

मुख्य परिणाम

आंतरिक प्रदर्शन: मॉडल ने आंतरिक टेस्ट सेट पर 5.31 वर्ष का MAE और 0.745 का पियर्सन $r^2$ प्राप्त किया। समग्र कोहॉर्ट में उच्च RAG और विभिन्न रोगों (कार्डियोवैस्कुलर, क्रोनिक सिस्टमिक, नेत्र संबंधी) के बीच एक सकारात्मक संबंध की पुष्टि की गई।
आयु-निर्भर असंगतता: एक महत्वपूर्ण निष्कर्ष आयु उपसमूहों में RAG-रोग संबंधों की असंगतता थी। जबकि युवा और मध्यम आयु वर्ग में सकारात्मक संबंध (उच्च RAG = उच्च रोग जोखिम) देखे गए, ये संबंध सबसे वृद्ध उपसमूह (>80 वर्ष) में कम हो गए और यहाँ तक कि उलट (नेगेटिव एसोसिएशन) भी गए।
विभेदक RTM: इस असंगतता का कारण विभेदक RTM को बताया गया। आयु के साथ RAG की गिरावट का ढलान (slope) स्वस्थ समूह (-0.184) की तुलना में अस्वस्थ समूह (-0.314) में काफी अधिक तीव्र था। यह विभेदक प्रभाव लीनियर या क्वाड्रेटिक आयु कैलिब्रेशन लागू करने के बाद भी और संतुलित आयु वितरण पर मॉडल को पुन: प्रशिक्षित करने के बाद भी बना रहा, जो यह दर्शाता है कि यह डेटा वितरण या कैलिब्रेशन की एक साधारण आर्टिफैक्ट के बजाय मॉडल की एक मौलिक विशेषता है।
इंटरेक्शन टर्म्स का मूल्य: रोग वर्गीकरण मॉडल्स में 'आयु × RAG' इंटरेक्शन टर्म को शामिल करने से प्रदर्शन में सुधार हुआ, विशेष रूप से वृद्ध आयु समूहों में, जहाँ केवल आयु के साथ RAG जोड़ने से वास्तव में प्रदर्शन गिर गया (AUC 0.585 से घटकर 0.494 हो गया)। इंटरेक्शन मॉडल ने युवा समूहों में प्रदर्शन लाभ बनाए रखा और वृद्ध समूहों में गिरावट को कम किया।
बाहरी सामान्यीकरण क्षमता: बाहरी मूल्यांकन से पता चला कि मॉडल का प्रदर्शन कोहॉर्ट और अनुप्रयोग के आधार पर काफी भिन्न था।
- आयु अनुमान: मॉडल ने UK Biobank (MAE 3.80) में अच्छा प्रदर्शन किया लेकिन BRSET (MAE 7.34) और mBRSET (MAE 8.40) में बड़ी त्रुटियां देखी गईं।
- रोग जुड़ाव: BRSET और mBRSET में अनुमान त्रुटियों के बावजूद, आयु सीमा के अधिकांश भाग में RAG और अस्वस्थ स्थितियों के बीच महत्वपूर्ण सकारात्मक संबंध सुरक्षित रहे।
- वर्गीकरण उपयोगिता: रोग वर्गीकरण के लिए RAG का अतिरिक्त मूल्य समान नहीं था। BRSET में, अनुमान त्रुटियों के बावजूद RAG ने महत्वपूर्ण अतिरिक्त मूल्य प्रदान किया। mBRSET में, महत्वपूर्ण रोग जुड़ाव क्रोनोलॉजिकल आयु के ऊपर वर्गीकरण प्रदर्शन में महत्वपूर्ण सुधार में परिवर्तित नहीं हुए।

महत्व और दावे
यह शोध दावा करता है कि RAG (रेटिनल एज गैप) की व्याख्या पहले की तुलना में अधिक जटिल है क्योंकि स्वस्थ और अस्वस्थ आबादी के बीच विभेदक RTM प्रभाव मौजूद हैं। लेखक तर्क देते हैं कि:

आयु-निर्भर जुड़ाव: RAG-रोग संबंध जीवनकाल में स्थिर नहीं होते हैं; वे आयु उपसमूहों के अनुसार काफी भिन्न होते हैं। एकल समग्र जुड़ाव की रिपोर्ट करना भ्रामक हो सकता है, विशेष रूप रूप से वृद्ध आबादी के लिए जहाँ संबंध उलट सकता है।
कैलिब्रेशन की सीमाएं: मानक आयु कैलिब्रेशन तकनीकें और संतुलित प्रशिक्षण डेटा वितरण विभेदक RTM को समाप्त नहीं करते हैं। यह सुझाव देता है कि RTM एक अंतर्निहित गुण है कि कैसे ये मॉडल्स पैथोलॉजिकल विविधताओं वाले डेटा से सीखते हैं।
अनुप्रयोग-विशिष्ट मूल्यांकन: रेटिनल एज मॉडल्स की सामान्यीकरण क्षमता का निर्णय एकल मेट्रिक (जैसे आयु अनुमान सटीकता) द्वारा नहीं किया जा सकता है। एक मॉडल जिसमें आयु अनुमान की सटीकता कम है, वह अभी भी मजबूत रोग जुड़ाव और विशिष्ट नैदानिक कार्यों के लिए उपयोगिता बनाए रख सकता है, जबकि उच्च सटीकता वाला मॉडल आवश्यक रूप से डाउनस्ट्रीम वर्गीकरण में सुधार नहीं करेगा। इसलिए, बाहरी मूल्यांकन बहु-आयामी होना चाहिए और इच्छित अनुप्रयोग (जैसे आयु अनुमान बनाम जोखिम स्तरीकरण) के अनुरूप होना चाहिए।
मॉडलिंग सिफारिशें: विश्वसनीय नैदानिक अनुप्रयोग के लिए, मॉडल्स को क्रोनोलॉजिकल आयु और RAG के बीच के इंटरेक्शन को स्पष्ट रूप से ध्यान में रखना चाहिए ताकि वृद्ध उपसमूहों के लिए भ्रामक जोखिम व्याख्याओं से बचा जा सके।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि RAG में मूल्यवान स्वास्थ्य-संबंधी जानकारी होती है, इसके नैदानिक उपयोग के लिए सावधानीपूर्वक, आयु-स्तरीकृत व्याख्या और अनुप्रयोग-विशिष्ट सत्यापन ढांचे की आवश्यकता होती। ये निष्कर्ष सुझाव देते हैं कि रेटिनल इमेजिंग से परे व्यापक जैविक आयु अनुमान मॉडल्स पर भी लागू होते हैं।

"गुरुत्वाकर्षण" की समस्या (The "Gravity" Problem)

उम्र का जाल (The Age Trap)

समाधान: अनुमान न लगाएं, पूछें (Don't Guess, Ask)

क्या यह अन्य लोगों पर भी काम करता है?

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर