一张眼底照片预测死亡风险和寿命轨迹？RetiME深度学习生物标志物三大洲验证（Nature Biomedical Engineering）

死亡风险不是一张快照，而是一条曲线

市面上不少AI模型会给健康打分，多数输出是一个静态数字：风险高或低。但衰老是一个过程，两个人今天风险分数相同，轨迹可能完全不同。

新加坡国立大学团队的思路是把轨迹还给风险：用低成本、无创的视网膜照片，结合视觉基础模型，训练出深度学习生物标志物RetiME（Retinal Mortality Equivalent，视网膜死亡当量），把眼底特征映射为个体死亡风险。

训练数据来自一个欧洲队列，随后在东南亚、欧亚大陆和北美三个独立队列做外部验证——跨人群的稳健性是这类模型最容易翻车的地方。

它学会了什么

基础层面，RetiME与全因死亡率和特定死因死亡率都呈稳健关联，还能预测心血管、代谢、神经退行性等多种系统疾病以及眼部疾病的发病。

研究的关键增量在“重新计时”：模型重建的是个体化寿命轨迹，这些轨迹与实际观察到的死亡年龄相关。也就是说，它试图回答的不是“你风险高吗”，而是“你的风险曲线大概长什么样”。

对轨迹聚类后出现三种模式：癌症主导、心血管代谢主导、神经退行性主导。这说明视网膜影像捕捉到的不只是眼睛的血管状态，还有通向不同死亡路径的系统性衰老信号。可解释性分析支持这一点，全基因组分析也找到了与RetiME相关的遗传位点。

距离用进体检还有多远

视网膜照相便宜、快速、无创，在很多体检场景已经是常规项目，这是这类工具落地的天然优势。

但要泼两盆冷水：第一，RetiME是关联性证据，不构成因果诊断，高风险信号需要临床检查跟进；第二，训练与验证人群的分布仍然有限，跨设备、跨人种的更大规模前瞻验证还没做。

合理的定位是把它当作综合风险评估的组件之一——与血压、血脂、家族史放在一起看，而不是单独下结论。