Investigating the fundamental characteristics of retinal age models

Sintesi Tecnica: Investigazione delle Caratteristiche Fondamentali dei Modelli di Età Retinica

Definizione del Problema
L'età retinica, stimata da immagini del fondo oculare, funge da marcatore biologico dell'invecchiamento dove la deviazione dall'età cronologica, nota come Retinal Age Gap (RAG), è ampiamente utilizzata per predire esiti sanitari avversi. Tuttavia, le caratteristiche fondamentali dei modelli di età retinica, critiche per l'interpretazione del RAG, rimangono poco esplorate. Nello specifico, la coerenza delle associazioni tra RAG e malattie in diversi sottogruppi di età e la generalizzabilità di questi modelli attraverso diverse coorti e dispositivi di imaging non sono ancora pienamente comprese. Una preoccupazione chiave è l'effetto di "regressione verso la media" (RTM), un fenomeno statistico nei modelli di regressione in cui le predizioni sono sistematicamente trascinate verso la media della popolazione di addestramento. Ciò può portare a una sovrastima dell'età negli individui giovani e a una sottostima negli individui anziani. Gli autori ipotizzano che effetti RTM differenziali tra popolazioni sane e malate possano causare associazioni inconsistenti tra RAG e stato di salute attraverso i gruppi di età, portando potenzialmente a una interpretazione errata nelle applicazioni cliniche.

Metodologia
Lo studio ha utilizzato un dataset su larga scala composto da 327.764 immagini retiniche dalla coorte AlzEye (interna) e da tre coorti esterne (UK Biobank, BRSET e mBRSET) con popolazioni e dispositivi di imaging distinti.

• Architettura del Modello: Il modello di età retinica è stato sviluppato utilizzando un backbone Vision Transformer (ViT), specificamente DINOv3-Large, pre-addestrato sul dataset LVD142M. L'architettura elabora immagini 224×224, media i token dei patch per formare un vettore di caratteristiche a 1.024 dimensioni e li passa attraverso una testa di regressione personalizzata (strato lineare, ReLU, dropout, output lineare finale) per stimare l'età cronologica.
• Addestramento e Valutazione: Il modello è stato addestrato sul dataset AlzEye. Le prestazioni sono state valutate utilizzando l'Errore Assoluto Medio (MAE), l'Errore Quadratico Medio (RMSE) e il coefficiente di Pearson $r^2$.
• Analisi delle Associazioni: Il RAG è stato definito come l'età retinica stimata meno l'età cronologica. È stata impiegata la regressione logistica per analizzare l'associazione tra RAG e stato di malattia (non sano vs sano, e sottogruppi di malattie specifiche come malattie cardiovascolari, sistemiche croniche e oculari), corretta per l'età cronologica.
• Investigazione della RTM: Gli autori hanno testato esplicitamente la RTM differenziale modellando l'interazione tra età e stato di salute. Hanno esplorato se le inconsistenze osservate potessero essere mitigate da:
  1. Calibrazione dellata lineare e quadratica del RAG basata sul sottoinsieme sano.
  2. Ri-addestramento del modello su una distribuzione di età bilanciata (campionamento uniforme tra i bin di età).
• Classificazione Downstream: Per valutare l'utilità del RAG nella rilevazione delle malattie, sono stati confrontati tre modelli di regressione logistica: (1) Solo Età, (2) Età + RAG, e (3) Età + RAG + interazione Età × RAG. Le prestazioni sono state misurate tramite l'Area Sotto la Curva (AUC) e metriche basate su soglie (sensibilità, specificità, punteggio F1).
• Validazione Esterna: Il modello è stato applicato a dataset esterni senza ri-addestramento ("off-the-shelf") e con calibrazione esterna (rifittaggio dei coefficienti e delle soglie della regressione logistica su split di addestramento esterni) per valutare la generalizzabilità attraverso diverse metriche: accuratezza della stima dell'età, forza dell'associazione con la malattia e prestazioni di classificazione.

Risultati Chiave

• Prestazioni Interne: Il modello ha raggiunto un MAE di 5,31 anni e un Pearson's $r^2$ di 0,745 sul test set interno. È stata confermata un'associazione positiva tra un RAG più elevato e varie malattie (cardiovascolari, sistemiche croniche, oculari) nella coorte complessiva.
• Inconsistenza Dipendente dall'Età: Un risultato critico è stata l'inconsistenza delle associazioni RAG-malattia attraverso i sottogruppi di età. Mentre sono state osservate associazioni positive (RAG più alto = rischio di malattia più alto) nei gruppi giovani e di mezza età, queste associazioni si sono attenuate e persino invertite (associazione negativa) nel sottogruppo più anziano (>80 anni).
• RTM Differenziale: Questa inconsistenza è stata attribuita alla RTM differenziale. La pendenza del declino del RAG con l'età è stata significativamente più ripida nel gruppo non sano (-0,314) rispetto al gruppo sano (-0,184). Questo effetto differenziale è persistito anche dopo l'applicazione della calibrazione dell'età lineare o quadratica e anche quando il modello è stato ri-addestrato su una distribuzione di età bilanciata, suggerendo che si tratti di una caratteristica fondamentale del modello piuttosto che di un semplice artefatto della distribuzione dei dati o della calibrazione.
• Valore dei Termini di Interazione: L'incorporazione di un termine di interazione Età × RAG nei modelli di classificazione delle malattie ha migliorato le prestazioni, in particolare nei gruppi di età avanzata, dove l'aggiunta semplice del RAG a un modello basato solo sull'Età ha effettivamente degradato le prestazioni (l'AUC è scesa da 0,585 a 0,494). Il modello di interazione ha mantenuto i guadagni di prestazione nei gruppi più giovani e ha mitigato il degrado nei gruppi più anziani.
• Generalizzabilità Esterna: La valutazione esterna ha rivelato che le prestazioni del modello variano significativamente per coorte e applicazione.
  • Stima dell'Età: Il modello ha performato bene nel UK Biobank (MAE 3,80) ma ha mostrato errori maggiori in BRSET (MAE 7,34) e mBRSET (MAE 8,40).
  • Associazione con la Malattia: Nonostante i grandi errori di stima in BRSET e mBRSET, le significative associazioni positive tra RAG e condizioni non sane sono state preservate in gran parte dell'intervallo di età.
  • Utilità di Classificazione: Il valore aggiunto del RAG per la classificazione delle malattie non è uniforme. In BRSET, il RAG ha fornito un valore aggiunto significativo nonostante gli errori di stima. In mBRSET, le significative associazioni con la malattia non si sono tradotte in miglioramenti significativi delle prestazioni di classificazione rispetto all'età cronologica da sola.

Significatività e Rivendicazioni
Il documento afferma che l'interpretazione del Retinal Age Gap (RAG) è più complessa di quanto precedentemente assunto a causa degli effetti RTM differenziali tra le popolazioni sane e malate. Gli autori asseriscono che:

1. Associazioni Dipendenti dall'Età: Le associazioni RAG-malattia non sono costanti durante l'intero arco della vita; variano significativamente per sottogruppo di età. Riportare un'unica associazione complessiva può essere fuorviante, in particolare per le popolazioni anziane dove la relazione può invertirsi.
2. Limitazioni della Calibrazione: Le tecniche standard di calibrazione dell'età e il bilanciamento delle distribuzioni di addestramento dei dati non eliminano la RTM differenziale. Ciò suggerisce che la RTM sia una proprietà intrinseca del modo in cui questi modelli apprendono dai dati contenenti variazioni patologiche.
3. Valutazione Specifica per Applicazione: La generalizzabilità dei modelli di età retinica non può essere giudicata da una singola metrica (ad esempio, l'accuratezza della stima dell'età). Un modello con scarsa accuratezza nella stima dell'età può comunque mantenere forti associazioni con le malattie e l'utilità per specifici compiti clinici, mentre un modello con alta accuratezza non necessariamente migliora la classificazione a valle. Pertanto, la valutazione esterna deve essere multidimensionale e adattata all'applicazione prevista (ad esempio, stima dell'età vs stratificazione del rischio).
4. Raccomandazioni di Modellazione: Per un'applicazione clinica affidabile, i modelli dovrebbero esplicitamente tenere conto dell'interazione tra l'età cronologica e il RAG per evitare interpretazioni del rischio fuorvianti nei sottogruppi più anziani.

Lo studio conclude che, sebbene il RAG contenga informazioni preziose relative alla salute, la sua utilità clinica richiede un'interpretazione attenta e stratificata per età e quadri di validazione specifici per l'applicazione. Si suggerisce che questi risultati si estendano a modelli più ampi di stima dell'età biologica oltre l'imaging retinico.