中国研究职员开放了一种利用AI技能剖析个人面部、舌部和视网膜图像以测算生理年事的工具。
这项技能能帮助我们更深入地理解我们的细胞、组织、器官的康健状况,以及罹患慢性病的风险。
要想知道一个人的实际年事,只需瞟一眼他的驾照。但要确定生理年事可就困难多了。
不同于实际年事,生理年事受环境、个人生活办法和遗传成分的影响,目前并没有环球通用的测算方法。
举例来说,吸烟者可能看上去比实际年事更老,健身爱好者则被以为更年轻。
而且这种差异不止于表面——假如一个人的生理年事大于实际年事,就有可能患上慢性疾病或过早涌现认知能力低落。
而假若生理年事小于实际年事,则与同龄人比较,这个人大概更能行步如风。
“理解自己的生理年事很主要,由于当你创造它与自己实际年事不符,就可以改变生活办法,从而改进康健状况。”斯坦福大学遗传学家迈克尔·斯奈德(Michael Snyder)说,但他没有参与该研究。
“早期朽迈时钟”(即生理年事测算模型)通过不雅观察不同组织中DNA甲基化模式打算生理年事。
DNA甲基化模式是DNA上调控基因表达的化学标记,会随韶光变革。还有的朽迈时钟丈量多种代谢(血糖)与炎症蛋白标志物,这些都是年度体检中年夜夫常常检测的指标。
近几年,科学家设计了利用面部三维图、脑部扫描或血液蛋白质水平的朽迈时钟以测定生理年事。
这些方法都追踪了某项随年事变革的特色,可以是皮肤上刻下的皱纹,也可以是某些与年事挂钩的疾病(如糖尿病)发病率的升高。
但朽迈是一个繁芜的过程,以五花八门的办法影响着多个器官系统。
澳门科技大学临床医学科学家张康参与了这篇论文的合著,该论文于今年1月揭橥在《美国国家科学院院刊》(PNAS)上。
张康说,单凭某一丈量办法确定生理年事就像盲人摸象。
因此,张康与互助职员利用AI模型创建了生理年事的“整体”画像,该模型以人的面部、舌部和视网膜图像为输入,随后输出相应的生理年事。
这与ChatGPT的支持办法类似,“它通过浏览海量数据和创造看不见的联系,超越了人类预测年事的能力。”张康说。
伦敦大学学院的神经科学家詹姆斯·科尔(James Cole)说:“他们以深度学习实验为技能设计,这和他们的实验设计一样,都令我印象深刻,得到的结果也非常具有说服力。”
2017年的一篇谷歌论文先容了这项被称为transformer的AI技能,最初,它被用于创建模拟人类措辞的项目,就像本日的ChatGPT。
与之前的AI模型不同,transformer可以一次性处理全体文本序列,而非按顺序处理,因此更善于识别模式和理解高下文。
不久后,研究职员将该方法运用到了图像剖析领域,其自然措辞处理能力带来了打算机视觉任务的革命。
包括本文谈论的研究所利用的transformer在内,部分模型的另一个创新点是在不同分辨率下剖析图像,以同时获取不同颗粒的细节。
但transformer所需的数据是巨大的。
“在措辞领域,这不是什么问题,由于可用的措辞资源非常多,这一点显而易见。但在医学影像上,(要找到充足的案例)就困难多了。”科尔说。
科尔的研究运用AI技能进行脑部扫描以稽核朽迈与神经退行性疾病的关系。他说,该研究团队成功与恒河沙数的人取得联系、获取数据,这很了不起。
而把模型结果转化为人类可以理解的内容是一大难点,浩瀚AI模型都面临这个问题。
“这个模型非常精妙,它关注像素级别的差异,那是我们人类难以察觉的。”张康说。
就这一点来说,他们的剖析彷佛表明舌中(舌象)、眼周(人脸图像)和眼球后方血管最密集的地方(视网膜图像)是反响生理年事的主要部位。
面部,舌头,视网膜
作为制作生理年事测算工具的出发点,研究职员网络了中国北方11223个人的面部、舌头和视网膜图像,用于演习模型。样本人群康健状况良好,因此其生理年事普遍被认为与其实际年事相符合。
这一演习产生了3亿个变量,虽然与ChatGPT4的10亿个参数比较还不值一提。
康健人群的实际年事可以代表其生理年事。“与其他利用单一丈量方法的朽迈时钟比较,我们对实际年事的预测更精确,把偏差掌握在了1年以内。”张康说。
就像盲人摸象的寓言一样,每种模态的信息都抓取了朽迈的某一方面。
例如面部皱纹这天晒、污染等环境成分浸染的迹象;而视网膜(中枢神经系统的一部分)变薄及血管损伤反响了大脑与循环系统的康健问题;根据舌头的形状与舌苔则能得到有关微生物组和消化道康健的线索。
作为研究的一部分,受试者们在后续5年韶光里定期接管康健检讨,包括血检和尿检、生活办法问卷调查和体能测试。
制成生理朽迈时钟后,张康团队在受糖尿病、心脏病等慢性疾病困扰的人群身上进行了测试。
这些非康健个体同样来自模型开拓过程里所引入的中国北方人群样本。在测试中,团队还引入了来自中国南方其他区域的人群。
结果与预测同等:康健人群的生理年事与实际年事非常附近;而当某人有不康健的习气,例如吸烟、久坐不动,又或患有慢性疾病,那么其生理年事一样平常大于实际年事。
两个年事之间的差异被称为AgeDiff,该数值范围在3.16年(慢性心脏病患者均匀值)到5.43年(吸烟人群均匀值)之间。
生理年事与实际年事不同的后果
为了确定生理年事大于实际年事对罹患6种常见老年病(如慢性心脏病、慢性肾病、心血管疾病、糖尿病、高血压和中风)的可能性的影响,研究职员将11223位被调查职员按AgeDiff数值从高到低分为四组。
AgeDiff数值更高的人罹患上述慢性疾病的可能性更大,发病风险随AgeDiff上升。
除了生平中患病的风险,张康同时对AgeDiff预测发病可能时点的能力感兴趣——换句话说,便是一个人何时会确诊糖尿病,是今年,抑或五年后?假若我们能理解发病机遇,“那将切实有力帮助设计防御方法。”张康说。
张康团队创造,在个人发病韶光的预测上,AgeDiff的表现优于传统参数,例如血糖、BMI指数和胆固醇。而若将AgeDiff和其他这些成分结合起来,那么预测将会更加精准。
研究职员还创造,康健指标(如BMI指数和血压)的非常值也与更大的AgeDiff数值有关,这一点并不出人意料。
生理时钟的未来
目前,张康与团队正利用AgeDiff识别慢性疾病发病风险高的人群,并为每一位病患出具干预方案。
通过关注与AgeDiff紧密关联的康健指标(例如血压、血糖等),他们希望系统地推迟“老年病”的发生。
他们也在进一步完善模型,将DNA甲基化等其他变量纳入到模型中,以及引入其他人种群体作为实验工具。
斯奈德说,AgeDiff之类的工具可以通过减少疾病防治的用度与难度,促进医疗的遍及。
在这方面,张康团队正在开拓iPhone手机附件及关联app,拍摄模型所需照片;张康估量,到今年年底,将推出可用雏形。
斯奈德专攻个性化医疗对个人罹患慢性病风险的削弱浸染。他对这种简便易用的方案表示赞许:“任何人都可能很方便地用它进行疾病预测,不用再像现在人们那样进行抽血和所有其他测试。”
撰文:CONNIE CHANG
译者:绿酒
伸出小手