👁️ ophthalmology

RetFit: A Novel Deep Learning-Based Biomarker of Cardiorespiratory Fitness Derived From the Retina

Questo studio introduce RetFit, un nuovo biomarcatore basato sul deep learning che stima la idoneità cardiorespiratoria da immagini del fondo retinico, dimostrando un forte valore prognostico per gli eventi cardiovascolari e la mortalità, offrendo al contempo un'alternativa scalabile e non invasiva ai tradizionali test da sforzo.

Autori originali: Quintas, I., Bontempi, D., Bors, S., Trofimova, O., Boettger, L., Iuliani, I., Ortin Vela, S., Liefers, B., Vargas-Quiros, J., Klaver, C. C. W., Meloni, I., Elwakil, A., Bergin, C., Tomasoni, M., Berg

Pubblicato 2026-01-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Quintas, I., Bontempi, D., Bors, S., Trofimova, O., Boettger, L., Iuliani, I., Ortin Vela, S., Liefers, B., Vargas-Quiros, J., Klaver, C. C. W., Meloni, I., Elwakil, A., Bergin, C., Tomasoni, M., Bergmann, S., Presby, D. M.

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

L'Idea alla Base: Un Punteggio di Forma da un Fotogramma

Immaginate di voler sapere quanto una persona sia in forma. Di solito, le chiedereste di correre su un tapis roulant finché non resta senza fiato, indossando una maschera per misurare l'ossigeno. Questo è il "gold standard", ma è costoso, richiede molto tempo e necessita di attrezzature speciali e di un istruttore.

Questo articolo presenta un nuovo strumento chiamato RetFit. Pensate a RetFit come a un "detective della forma fisica" che osserva una semplice foto non invasiva del retro del vostro occhio (un'immagine retinica) e usa un cervello informatico super intelligente (Intelligenza Artificiale) per indovinare il vostro livello di capacità cardiorespiratoria.

Gli autori lo chiamano un "biomarcatore", che è solo un termine sofisticato per indicare un indizio biologico. Stanno dicendo: I vostri occhi contengono una mappa segreta della salute del vostro cuore e dei vostri polmoni, e noi abbiamo trovato un modo per leggerla.

Come Hanno Costruito lo "Scanner Oculare"

I ricercatori hanno utilizzato un enorme database chiamato UK Biobank, che contiene dati sanitari di oltre 57.000 persone.

L'Addestramento: Hanno preso foto degli occhi di queste persone e le hanno accoppiate con i loro effettivi punteggi di forma fisica (che sono stati stimati utilizzando un test di esercizio sub-massimale, una versione leggermente più facile del test sul tapis roulant).
L'IA: Hanno insegnato a un modello di IA all'avanguardia (un "Vision Transformer") a guardare le foto degli occhi e a imparare i pattern che corrispondono a una forma fisica alta o bassa.
Il Risultato: L'IA ha creato un nuovo punteggio chiamato RetFit. Non è una copia perfetta del test di esercizio (corrisponde solo circa il 20% delle volte), ma cattura un segnale unico e potente.

Cosa ci Dice RetFit (L'Effetto "Palla di Cristallo")

La parte più entusiasmante dell'articolo è ciò che RetFit predice sul futuro. I ricercatori hanno testato se RetFit potesse prevedere chi si sarebbe ammalato o sarebbe deceduto, e ha funzionato sorprendentemente bene.

Il Predittore di Attacchi Cardiaci: Se avete un punteggio RetFit basso, siete esposti a un rischio maggiore di avere un attacco cardiaco o un ictus in futuro. L'articolo ha scoperto che RetFit era in realtà migliore nel predire questi eventi rispetto al tradizionale punteggio del test di esercizio, anche dopo aver tenuto conto di altri rischi come l'ipertensione o il fumo.
Il Predittore di Longevità: Un basso punteggio RetFit era anche collegato a un rischio maggiore di morte per qualsiasi causa.
L'Informazione "Extra": L'articolo sostiene che RetFit e il punteggio del test di esercizio (SETCRF) guardano il corpo attraverso lenti diverse. Sono solo moderatamente correlati (come due amici che conoscono alcune delle stesse cose ma hanno segreti diversi). RetFit sembra cogliere un segnale di salute vascolare "subclinica" — ovvero, vede piccoli cambiamenti nei vostri vasi sanguigni che i test standard non colgono.

Il "Mistero Genetico"

Per capire perché RetFit funzioni, i ricercatori hanno esaminato il DNA dei partecipanti.

Geni Diversi: Hanno scoperto che i geni legati a RetFit erano completamente diversi da quelli legati al test di esercizio.
L'Analogia: Immaginate che il test di esercizio sia come controllare il motore di un'auto (come funziona il muscolo cardiaco). RetFit, invece, sembra controllare la strada su cui l'auto viaggia (i vasi sanguigni e il sistema nervoso).
Connessione con il Cervello: Interessantemente, RetFit era collegato a geni coinvolti nello sviluppo cerebrale e nella visione, suggerendo che potrebbe essere una finestra su come il sistema nervoso e i vasi sanguigni lavorino insieme, e non solo sul cuore.

La "Mappa" che l'IA ha Osservato

Come ha fatto l'IA a sapere cosa cercare nella foto dell'occhio?

La Mappa di Attenzione: I ricercatori hanno chiesto all'IA di mostrare loro dove stava "guardando" nella foto dell'occhio. L'IA si è concentrata pesantemente sui vasi sanguigni nella retina.
La Caratteristica Chiave: La singola caratteristica più importante che l'IA ha utilizzato è il numero di volte in cui le arterie si diramano (le biforcazioni). Pensatelo come a un albero: un albero sano e complesso con molti rami suggerisce un sistema sano ed efficiente. Un albero rado suggerisce un sistema che sta lottando.

Test in Altre Città (Validazione)

Per assicurarsi che non fosse solo una coincidenza specifica del Regno Unito, i ricercatori hanno testato la loro IA su due altri gruppi di persone, nei Paesi Bassi e in Svizzera.

Il Risultato: Anche se questi nuovi gruppi non avevano dati relativi ai test di esercizio, i punteggi RetFit hanno comunque predetto con successo malattie cardiache e decessi. Ciò dimostra che lo strumento funziona in popolazioni diverse, non solo in quella su cui è stato addestrato.

In Breve

L'articolo conclude che RetFit è un modo potente, scalabile e accessibile per stimare la forma fisica e il rischio per la salute.

Perché è importante: Trasforma un esame oculistico di routine (che molte persone effettuano già) in un potente controllo sanitario.
Il Limite: Gli autori sottolineano con cautela che questo è un nuovo strumento, non un sostituto dell'esercizio fisico. Enfatizzano che RetFit cattura un tipo specifico di informazione sulla salute (salute vascolare e del sistema nervoso) che è distinta da, ma complementare a, i test tradizionali della forma fisica.

In breve: I vostri occhi sono una finestra sul vostro cuore, e questo nuovo strumento di IA sta imparando a leggere questa finestra per dirci quanto siamo davvero in salute.

Sintesi Tecnica: RetFit – Un biomarcatore di capacità cardiorespiratoria basato sul deep learning derivato dalla retina

Problematica
La capacità cardiorespiratoria (CRF) è un robusto e indipendente predittore di eventi cardiovascolari e mortalità per tutte le cause, spesso superando i fattori di rischio tradizionali. Tuttavia, la sua utilità clinica è limitata dalla natura dispendiosa in termini di risorse dei metodi di misurazione standard, come il test da sforto cardiopulmonare massimale (CPET), che richiedono attrezzature specializzate, personale addestrato e un massimo sforzo fisico da parte dei soggetti. Sebbene i test di esercizio submassimale (SETCRF) e le stime non basate sull'esercizio offrano alternative, esiste la necessità di proxy scalabili e non invasivi che catturino la salute vascolare. Le immagini del fondo oculare colorato (CFI) forniscono una finestra non invasiva sulla salute vascolare sistemica e hanno mostrato una promettente capacità di predire i fattori di rischio cardiovascolare, sebbene il loro potenziale per stimare la CRF rimanga inesplorato.

Metodologia
Lo studio introduce RetFit, un nuovo stimatore di CRF derivato dalle CFI utilizzando il deep learning allo stato dell'arte. La metodologia ha previsto tre fasi primarie:

Sviluppo e Addestramento del Modello:
- Fonte dei Dati: Gli autori hanno utilizzato la coorte UK Biobank (UKBB), selezionando 57.588 partecipanti genotipizzati che sono stati sottoposti a test di esercizio submassimale (fornendo valori SETCRF) e che possedevano CFI di alta qualità. Ciò ha prodotto 102.826 immagini.
- Architettura: Un modello Vision Transformer (ViT), specificamente il modello foundation pre-addestrato RETFound, è stato perfezionato (fine-tuned) per predire la SETCRF dalle CFI.
- Strategia di Addestramento: Il modello è stato addestrato su 50 epoche con una fase di warm-up seguita da un annealing di tipo coseno. È stata impiegata una strategia di validazione incrociata a 5 pieghe con un design leave-one-out. Modelli separati sono stati perfezionati per l'occhio sinistro e destro, e le predizioni sono state mediate per i soggetti con immagini bilaterali.
- Controllo Qualità: Una valutazione della qualità basata su CNN, addestrata su valutatori umani, è stata utilizzata per selezionare il top 75% delle immagini.
Validazione e Benchmarking:
- Benchmarking Interno: RetFit è stato confrontato con la ground-truth SETCRF all'interno dell'UKBB.
- Validazione Esterna: La generalizzabilità del modello è stata testata in due coorti indipendenti dove la CRF non era misurata: lo Studio di Rotterdam (N=8.885) e lo Studio CoLaus (N=2.260).
- Associazioni: Sono state eseguite analisi di regressione (lineare e logistica) per valutare le associazioni tra RetFit e 21 esiti patologici binari e 15 fattori di rischio continui, aggiustando per sesso, età, BMI e stato socioeconomico.
- Analisi Prognostica: Sono stati utilizzati modelli di Cox Proportional Hazard per valutare la capacità di RetFit di predire eventi cardiovascolari e mortalità per tutte le cause, confrontando le sue prestazioni rispetto a SETCRF in modelli non aggiustati e pienamente aggiustati (inclusi i fattori di rischio simili al Framingham).
Analisi Genetica e di Interpretabilità:
- Genetica: Sono state condotte analisi di associazione genome-wide (GWAS) sia per RetFit che per SETCRF utilizzando REGENIE. Sono state eseguite analisi di arricchimento genico e di pathway utilizzando PascalX, e la ereditabilità è stata stimata utilizzando GCTA.
- Interpretabilità: Mappe di attenzione sono state generate dal Vision Transformer per identificare le regioni dell'immagine che guidano le predizioni. Inoltre, 18 caratteristiche vascolari retiniche quantitative (Tangible Image Features o TIFs) sono state estratte utilizzando la pipeline VascX per valutare la loro correlazione con RetFit e SETCRF.

Risultati Chiave

Prestazioni di Predizione: RetFit ha dimostrato una moderata correlazione positiva con SETCRF ( $r=0.45$ , $R^2=0.20$ ), indicando che cattura un segnale distinto ma correlato.
Associazioni con Malattie e Fattori di Rischio: Nell'UKBB, RetFit è stato significativamente associato a 20 dei 21 esiti sanitari binari e a tutti i 15 fattori di rischio continui. In molti casi, RetFit ha fornito informazioni uniche non catturate da SETCRF (ad esempio, cataratta, aterosclerosi, memoria prospettica). Queste associazioni sono state ampiamente riprodotte nelle coorti Rotterdam e CoLaus.
Potere Prognostico:
- Eventi Cardiovascolari: RetFit è stato prognostico per gli eventi cardiovascolari nell'UKBB (HR=0.936 per incremento di SD, modello aggiustato) e nello Studio di Rotterdam (HR=0.813, modello aggiustato). Notevolmente, nei modelli pienamente aggiustati, RetFit è rimasto un predittore significativo mentre SETCRF non lo era ( $p=0.065$ ). L'aggiunta di RetFit a un modello contenente SETCRF ha migliorato significativamente l'adattamento del modello, mentre il contrario non è avvenuto.
- Mortalità: Sia RetFit che SETCRF hanno predetto la mortalità generale, sebbene la prestazione di RetFit sia degradata più significativamente dopo il pieno aggiustamento nell'UKBB.
Architettura Genetica: Le GWAS hanno rivelato che RetFit e SETCRF possiedono architetture genetiche disgiunte. RetFit è stato associato a 41 geni (arricchiti in anomalie oculari, sviluppo cellulare e pathway del sistema nervoso), mentre SETCRF è stato associato a 25 geni (arricchiti in pathway cardiovascolari). La correlazione genetica tra i due è bassa ( $r_g=0.09$ ).
Interpretabilità: Le mappe di attenzione hanno evidenziato i letti vascolari superiori. Tra le caratteristiche vascolari, il numero di biforcazioni arteriose ha mostrato l'associazione più forte con RetFit ( $\beta=0.287$ ), mentre il rapporto di densità vascolare è stato più fortemente associato a SETCRF.

Significatività e Rivendicazioni
L'articolo sostiene che RetFit rappresenti un nuovo, scalabile e accessibile biomarcatore per stimare la CRF e valutare la salute sistemica. La sua principale significatività risiede in:

Scalabilità: Offre un metodo per stimare la CRF in grandi popolazioni dove i test di esercizio non sono disponibili, utilizzando le routine immagini retiniche.
Insight Biologico Distinto: Lo studio postula che RetFit non sia meramente un proxy della performance fisica, ma catturi una dimensione unica della salute sistemica legata alla microvascolatura retinica e allo sviluppo del sistema nervoso, come dimostrato dalla sua distinta architettura genetica e dal superiore potere prognostico per gli eventi cardiovascolari nei modelli aggiustati.
Utilità Clinica: Dimostrando associazioni coerenti con stati patologici e un forte valore prognostico in coorti esterne senza misurazioni di CRF, RetFit supporta l'uso dell'imaging retinico per la stratificazione del rischio sia in contesti clinici che di salute pubblica, particolarmente per popolazioni fragili o anziane che non possono sottoporsi a test di esercizio massimale.

Gli autori concludono che, sebbene RetFit non replichi completamente la misurazione fisiologica della $\text{VO}_2\text{max}$ , esso funge da potente indicatore derivato dalle immagini della salute vascolare e del rischio di malattia che integra i parametri tradizionali della fitness.