《柳叶刀子刊：多器官影像的年龄奥秘，深度学习怎样量化人体衰老速度？》

在临床医学里，年龄是极为常用的健康风险预测指标。不过，单纯的“实际年龄”难以体现个体在生物层面的异质性和衰老速度。人体衰老其实是一系列分子及结构改变不断累积的结果，表现为细胞功能减退、器官系统衰退，以及对疾病的易感性增加。精准量化衰老过程，特别是准确估计生物年龄，对于疾病风险预测和干预策略设计意义重大。随着人工智能尤其是深度学习技术的发展，研究者开始尝试借助丰富的医学影像数据，提取生理变化特征，以此预测个体的生物年龄，从而更精细地反映健康状态。

近期，发表在《柳叶刀·健康长寿》杂志上的一项综述，总结了基于人工智能的多种医学影像技术在生物年龄预测领域的重要进展。研究团队系统整合了脑部 MRI、胸腔 CT 及 X 光、腹部 CT 与 MRI、骨骼影像及面部照片等多模态影像的数据驱动方法，深入探讨了人工智能年龄估计中的模型评估流程、临床应用前景、技术和伦理难点，为未来个性化医疗和健康风险管理开辟了新思路。

研究者检索了 2016 至 2024 年间关于基于人工智能的医学影像年龄预测的代表性研究，重点关注脑部、胸部、腹部、骨骼和面部影像。多项研究采用了多种深度学习网络架构，如卷积神经网络（CNN）、高斯过程回归和 Transformer 模型。模型训练通常基于大规模带有标签（年龄信息）的医学影像数据集，分阶段评估准确度和偏差，并在临床队列中验证年龄偏差与健康结局的相关性。

研究结果

1. 脑部年龄预测

脑部 MRI 结合深度学习技术在年龄预测领域处于领先地位。多篇研究表明，脑预测年龄与实际年龄高度相关，平均绝对误差（MAE）在 1.97 至 7.11 岁之间。脑年龄偏差与认知功能障碍、执行功能减退、痴呆症状严重程度及神经退行性病变相关，能够反映 tau 蛋白病理和淀粉样蛋白沉积。多模态成像结合 PET - MRI 进一步揭示了脑衰老与神经病理的联系。此外，脑年龄偏差还与死亡风险、身体机能指标（握力、肺功能）及全身生物应激负担相关，显示出其作为整体健康状态生物标志物的价值。但构建儿科人群脑龄估计模型仍存在挑战，急需年龄特异性影像模板。

图：不同身体部位和成像方法的年龄估计技术概述

2. 胸部影像的年龄估计

胸部 X 光及 CT 影像结合卷积神经网络构建的年龄预测模型，MAE 在 1.80 至 4.69 岁之间。胸部年龄偏差与心血管疾病预后显著相关，如心衰再入院和全因死亡风险。它还与高血压、慢性阻塞性肺疾病、肝硬化等多种疾病相关。通过解释性算法（如 SHAP 与 Grad - CAM）能精准定位心脏、肺部、血管在年龄预测中的贡献，揭示不同器官系统的衰老模式。这一多器官整合视角为个性化心肺健康管理提供了新方法。

3. 腹部影像年龄预测

利用腹部与胸腹部 CT 及肝脏与胰腺 MRI，研究构建了基于深度学习的模型，MAE 为 2.94 至 6.5 岁。整体腹部年龄以及器官特异性年龄预测显示多器官对衰老信息具有互补性。腹部年龄偏差与临床表型、遗传学指标显著相关，遗传学分析显示加速腹部衰老具有 26.3% 的遗传率。基于体内多个脏器的综合年龄评估，有望促进针对性干预和疾病预警，尤其是腹部相关疾病的早期筛查。

4. 骨骼年龄估计

骨龄估计主要针对儿童和青少年的成长过程，骨龄与生长发育密切相关。利用手部 X 光或膝关节 MRI 进行深度学习建模，MAE 极低，约 0.67 至 1.32 年。与成年生物年龄预测不同，骨龄的偏差并非衰老指标，主要用于评估生长异常和预测成人身高。骨龄算法在老年人骨质疏松及骨髓健康评估中的潜力还有待开发。

5. 面部年龄估计

利用二维/三维面部图像，结合卷积神经网络及 Transformer 模型，可实现年龄预测，MAE 在 1.94 至 7.52 岁之间。高面部年龄偏差与慢性心脑血管疾病、癌症患者的生存率呈负相关。面部年龄显示出与细胞衰老相关基因（如 CDK6）的遗传关联，能增强终末期癌症患者生存风险预测的准确性。但面部影像因光线、表情、化妆及种族群体代表性不足而存在模型偏见，需要多样化数据集及公平性校正。

6. 眼底图像预测

利用视网膜照片和深度学习模型（如 VGG 和 Xception），可直接回归预测年龄或分类识别老年阈值。视网膜年龄偏差与全因及多种疾病死亡风险显著相关。视网膜影像捕捉了血管与神经系统的衰老，具有非侵入、低成本的医疗优势，是很有潜力的衰老生物标志物。

综上所述，该综述全面呈现了人工智能驱动的影像生物年龄估计技术的现状，展示了多模态影像结合深度学习在揭示生理衰老多样性和预测健康结局方面的巨大潜力。年龄偏差作为非侵入、直观的生物标志物，有望成为个性化医疗和疾病管理的重要工具，可优化患者分层，辅助治疗决策，指导健康干预。此外，人工智能算法实时部署于临床影像设备，可实现“顺势检测”，降低医疗成本，推动早诊早治。

另一方面，文中也强调了技术瓶颈，包括训练数据年龄分布偏倚、模型泛化能力不足、外部验证缺失及算法鲁棒性问题。在伦理层面，必须主动防范隐私泄露、算法偏见及潜在负面社会影响，确保技术公平透明地惠及不同群体。本文呼吁跨界合作，推动标准制定和法规完善，保障人工智能生物年龄预测的安全有效推广。

参考资料：

[ 1 ] Haugg F, Lee G, He J, Johnson J, Zapaishchykova A, Bitterman DS, Kann BH, Aerts HJWL, Mak RH. Imaging biomarkers of ageing: a review of artificial intelligence - based approaches for age estimation. Lancet Healthy Longev. 2025;Vol ( x ) :1 - 11. DOI:10.1016/j.lanhl.2025.100728

撰文 | 梅斯医学

编辑 | 木白

●

●

●

点击下方「阅读原文」立刻下载梅斯医学 APP！

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com