深度学习视网膜年龄差与生活方式、全身及眼部健康的关联：一项健康筛查队列研究

研究构建了多任务深度学习模型，用29,530张眼底图像（来自7,535名参与者）预测视网膜年龄，其中经偏倚校正、在混合数据上训练的多任务模型表现最佳，在队列A中平均绝对误差为2.656年、Pearson相关系数为0.921，在队列B中为2.529年和0.938。 相对以往仅关注RAG概念的研究，本文给出了在真实健康筛查队列中可扩展、非侵入的视网膜年龄预测模型及其量化性能指标。 基于大样本眼底图像（29,530张）训练与评估，并报告了平均绝对误差与相关系数等性能指标，模型比较中明确了偏倚校正与混合数据训练为最佳配置。

较高的RAG与吸烟（既往吸烟者β=+0.46年；当前吸烟者β=+0.50年）和临床糖尿病（+2.52年）显著相关，二者均通过FDR与Bonferroni校正，且糖尿病关联在所有序贯协变量调整集中均保持稳健。 此前RAG与真实世界健康决定因素的关联尚不明确，本文在队列A（n=5,606）中系统评估了生活方式、社会经济与全身因素，并给出经多重校正后仍显著的关联。 关联在FDR与Bonferroni双重校正后仍显著，糖尿病关联在全部序贯协变量调整集中持续存在，提示结果对模型设定具有一定稳健性。

在队列B（n=1,810）中，年龄相关性黄斑变性眼（β=+0.60年）和白内障眼（β=+1.86年）的RAG显著高于正常对照，且均通过校正。 将RAG的关联从全身与生活方式因素拓展到具体眼部疾病，为视网膜年龄差与眼部健康之间的联系提供了队列证据。 基于独立眼部疾病子队列（n=1,810）的比较，两种眼病关联均通过多重校正。

已婚参与者RAG较低（β=-0.46年），但仅在FDR校正后显著；高血压和高脂血症与RAG无关联。 补充了社会经济因素与RAG的关联证据，同时提示并非所有心血管代谢因素都与RAG相关，界定了关联的边界。 婚姻状况关联仅在FDR校正后显著、未通过更严格校正；高血压与高脂血症为阴性结果，说明关联具有选择性。

该研究界定了RAG的适用场景：作者明确指出，RAG目前更适合人群层面的特征刻画，而非个体层面的风险分层；其是否反映生物学衰老，需要与既有衰老生物标志物进行纵向验证。研究结果来自健康筛查队列，关联覆盖生活方式（吸烟）、全身因素（糖尿病）与眼部疾病（年龄相关性黄斑变性、白内障），而高血压与高脂血症未显示关联，说明其适用范围具有选择性。

读者仍需关注：RAG作为影像衍生的年龄预测残差，其与生物学衰老的对应关系尚待纵向验证；婚姻状况关联仅在FDR校正后显著，稳健性弱于吸烟与糖尿病；高血压与高脂血症的阴性结果提示关联具有选择性；此外，本文为摘要级信息，缺少图表与完整统计细节，若需评估模型架构、协变量集合的具体构成或效应量的置信区间，仍需查阅原文。