PNAS速递：多模态图像transformer系统精准估计生物学年龄及预测疾病

关键词：多模态，生物学年龄，疾病预测，医学图像

论文题目：Accurate estimation of biological age and its application in disease prediction using a multimodal image Transformer system论文期刊：PNAS论文地址：https://www.pnas.org/doi/10.1073/pnas.2308812120

个体的衰老是指身体满足生理需求的能力在时间上的变化，主要是降低。衰老过程是不可避免的，也是慢性疾病的一个风险因素。每个人的生物年龄（Biological Age）包含衰老的结构和功能决定因素，其与实际年龄的差值（AgeDiff）可用作潜在病症导致加速衰老的生物标记。生物学年龄是衡量衰老的生物标志物，可用于对人群进行分层，以预测某些与年龄相关的慢性疾病。生物年龄可通过脑磁共振成像、视网膜或面部图像等生物医学特征进行预测，但衰老过程中固有的异质性限制了通过单个身体系统预测生物年龄的实用性。
该文描述了一种基于 Transformer 的多模态架构，它可以根据面部、眼底和舌头图像估算生物学年龄。研究使用来自 11,223 名健康受试者的面部、舌头和视网膜图像对模型进行了训练，结果表明，融合三种图像模式可实现最准确的生物学年龄预测。研究者在 2,840 名患有六种慢性疾病的测试人群中验证了该方法，结果发现，实际年龄与 BA 之间的差异明显大于健康人。本研究表明，AgeDiff 有潜力作为一种独立的生物标记物，或与其他已知因素一起用于慢性疾病的风险分层和进展预测。本研究描述一种利用容易获得的患者数据来识别慢性疾病的方法，其结果凸显了使用多模态图像来估计和分析衰老过程的可行性。

图1. (A) 结合视网膜图像、舌头图像和面部图像进行生物学年龄估算；(B) 人工智能系统在华北健康对照数据集上进行了训练和验证，并在华北不健康数据集和华南数据集上进行了测试；(C) 人工智能系统细节；(D) 多模态融合方式。

图2：内部和外部队列中慢性疾病和环境因素对生物学年龄的影响。在内部测试集和外部测试集上使用多模态融合架构生成的预测生物学年龄与实际年龄的相关性分析。
图3：SHAP方法分析影响生物学年龄与实际年龄差异值的因素

编译｜郭瑞东

大模型与生物医学：

AI + Science第二季读书会启动

详情请见：

大模型与生物医学：AI + Science第二季读书会启动

‍推荐阅读1. 疾病的高维空间：将疾病作为整体更有助于疾病预测 | Nat. Comput. Sci.速递2. 巴拉巴西新作：AI-Bind 助力蛋白质-配体结合预测3. 能够预测蛋白质结构、控制核聚变的AI，怎样促进科学理解？4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程5. 加入集智学园VIP，一次性获取集智平台所有内容资源6. 加入集智，一起复杂！

点击“阅读原文”，报名读书会