The retinal age gap: an affordable and highly accessible biomarker for population-wide disease screening across the globe
Notice bibliographique
Résumé
Traditional biomarkers, such as those obtained from blood tests, are essential for early disease detection, improving health outcomes and reducing healthcare costs. However, they often involve invasive procedures, specialized laboratory equipment or special handling of biospecimens. The retinal age gap (RAG) has emerged as a promising new biomarker that can overcome these limitations, making it particularly suitable for disease screening in low- and middle-income countries. This study aimed to evaluate the potential of the RAG as a biomarker for broad disease screening across a vast spectrum of diseases. Fundus images were collected from 86 522 UK Biobank participants aged 40-83 (mean age: 56.2 ± 8.3 years). A deep learning model was trained to predict retinal age using 17 791 images from healthy participants. The remaining images were categorized into disease/injury groups based on clinical codes. Additionally, 8524 participants from the Brazilian Multilabel Ophthalmological Dataset (BRSET) were used for external validation. Among the 159 disease/injury groups from the 2019 Global Burden of Disease Study, 56 groups (35.2%) exhibited RAG distributions significantly different from healthy controls. Notable examples included chronic kidney disease, cardiovascular disease, blindness, vision loss and diabetes. Overall, the RAG shows great promise as a cost-effective, non-invasive biomarker for early disease screening.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».