心肝肺的“青春指數”曝光！AI測出你的器官年齡

你知道自己的生物學年齡和各個器官的專屬年齡嗎？近日，清華大學萬科公共衛生與健康學院底騫副教授及其團隊在國際期刊《自然·醫學》上發表了一項令人矚目的研究成果，提出了一種基於大語言模型（LLM）的衰老評估框架。

衰老是導致許多慢性疾病和死亡的主要風險因素之一，如能準確且便捷地評估人體的衰老程度，將有助於提前發現健康隱患並預防衰老相關疾病。然而，一個人的實際年齡往往無法充分反應人體的生物學年齡和衰老情況。衰老是一個複雜且多維度的過程，在身體、器官、分子等層面表現出顯著的異質性，受到環境和遺傳等多種因素的影響。

目前常用的衰老評估工具，如衰弱指數和衰老時鐘，存在諸多侷限。例如，監督式模型依賴於將日曆年齡作爲標籤，可能削弱對實際生物衰老信息的捕捉能力。這些工具與不良健康結局的關聯性較弱，往往只能捕捉衰老的特定方面。此外，它們的泛化性不足，難以在不同人羣中廣泛應用。還有一些工具，如表觀遺傳時鐘，依賴於甲基化檢測，成本高昂，不適用於大規模篩查。

本次清華大學研究團隊提出的框架僅通過常規體檢報告，就能精準預測一個人的整體生物年齡及器官特異性衰老程度，爲健康管理帶來了新的突破。

精準評估，AI成“健康偵探”

研究團隊將參與者的常規健康指標轉化爲文本報告，輸入到8個大語言模型中。這些模型會綜合分析上百項指標，評估個體的整體生物學年齡以及心臟、肝臟、肺、腎臟、代謝系統和骨骼肌肉六大器官的專屬年齡。這些大語言模型並非依賴預設公式，而是基於預訓練的醫學知識庫，類似於“閱讀”了海量醫學文獻後，結合個人健康細節進行智能推演。

該研究整合了全球六大數據庫，對超過1000萬人的數據進行驗證。結果顯示，在全因死亡率方面，大語言模型預測的整體年齡的一致性指數達75.7%，顯著優於端粒長度、衰弱指數、8種表觀遺傳年齡以及4種機器學習模型的預測結果；在預測冠心病風險方面，其準確率爲70.9%，比其他機器學習模型高出8%；在預測肝硬化風險方面，其準確率達到了81.2%，也表現出更優的預測性能。

從預警到干預的全鏈條應用

這項研究的臨牀價值不僅在於精準評估衰老，更在於其從疾病預警到干預的全鏈條應用能力。首先，研究對46萬人進行了追蹤，發現大語言模型預測的年齡差（預測年齡與實際年齡的差值）每增加1歲，全因死亡風險上升5.5%。心血管年齡差每增大1單位，冠心病的風險比（HR）爲1.045，這爲疾病預警提供了有力支持。

同時，研究還發現了新型“衰老加速器”，識別出多個與加速衰老相關的新型蛋白質組生物標誌物，鎖定了322個關鍵蛋白，其中56.7%爲未被報道的新蛋白，55%與死亡率顯著相關。例如，攜帶特定蛋白組合IGFBP4的人羣，死亡風險比普通人高出68%。這些發現爲疾病的早期干預提供了新的靶點。

此外，大語言模型還具備動態評估能力。通過整合歷史健康數據，可以有效提升預測的準確率。輸入連續3年的體檢數據，大語言模型能夠生成個性化的衰老速率曲線，其準確率比單次體檢提升了3倍。

基於這些成果，研究團隊進一步開發了針對270種疾病的患病風險預測模型，爲大規模人羣的衰老評估和健康管理提供了一種精準且低成本的新方法。