研究领域：生物学年龄，深度学习， 医疗人工智能

论文题目：

Deep neural network-estimated electrocardiographic age as a mortality predictor

论文链接：

https://www.nature.com/articles/s41467-021-25351-7

人的年龄反映着身体健康状况，可以看成对人体这一复杂系统的降维。然而参加过毕业十年聚会的同学都明白，个人的时序年龄不等于身体的实际状况。为了更准确地描述身体状况，科学家提出了“ 生物学年龄 ”的概念，将生理指标及生活习惯通过算法整合，即可算出生物学年龄，可以看成是对复杂系统的自动化建模。如果依据的指标聚焦于某个组织器官，则计算的是相应组织或器官的年龄，例如 心血管年龄 描述心脏的健康水平，皮肤年龄描述皮肤状况相当于多少岁的人。

相比传统方法，深度学习模型的优势在于，它是一个端到端的模型，不需专家基于经验设置。训练过程也很简单，不需要手动标注的数据，只需要观测受试者7~10秒的心电图，将实际年龄做标签，使用多层卷积神经网络，就可以预测出对应的“ 心电图年龄 ”。

研究发现，如果一个人的心电图年龄大于时序年龄超过8岁，其全因死亡率是正常人群的1.79倍；如果心电图年龄小于实际年龄8岁，那么全因死亡率则只有正常人群的0.79倍。

该研究用到的三个数据集，既包含来自于健康人的，也包含心血管疾病或糖尿病慢性患者的。其年龄分布见下图2所示。(a) 中人群的时序年龄均匀分布在25~75岁之间，(b)(c)的年龄则偏大一些，以五六十岁居多。在三个数据集上，心电图年龄都能显著预测全因死亡率，这论证了模型的鲁棒性，即其适用范围很广。而距离采样的时间越久，心电图年龄预测出的死亡率差异就越明显。

图2：三个数据集中心血管年龄（纵轴）和时序年龄（横轴）的分布

对深度学习模型的一个常见批评是缺少可解释性。对于模型预测的心电图年龄超过实际年龄8岁的人群，一定想知道是什么因素导致模型做出了这样的预测。尽管无法针对个体给出个性化的回答，该模型可以解释，在心电图年龄超龄者中，哪些生活习惯和慢性疾病更经常出现，比如图3中可以看到，高血压、粥状动脉硬化、超重及吸烟等广为人知的心血管疾病高风险因素，以及中高强度运动等心血管疾病保护因素。

即使在数据分析中去除了年龄、性别、常见心血管高危因素带来的影响，心电图年龄超龄者的死亡率也显著高于正常人群，这说明 深度学习模型捕捉到了一些还不为人知的风险因素 。这些因素虽然单个来看影响不大，但日积月累，却会增加死亡率。通过识别出之前未知的高风险人群，可能会促使他们更积极地参与并完成干预计划 （例如运动或饮食改变） ，从而提升全社会的健康水平。

总结来看，该模型预测的心电图年龄，描述了衰老过程如何影响心电图检测。心电图年龄大于时序年龄的直观解释是，在心电图测试中更类似年老的人，因而死亡率也越高。从临床角度，尽管将心电图精简为一个数字，忽略了众多混杂因素，是一种过度简化，但 这个数字可以被没有经过医学训练的人理解，并指导其健康管理，从而体现了心电图年龄的价值 ，可看成是对心电图数据的全新解读方式。在未来也可以结合更多维度的数据，来构建可更准确描述心血管健康水平的心血管年龄。