El modelo de edad retinal RETFound interpreta el envejecimiento a partir de una imagen ocular, pero aún no es un reloj clínico

El modelo de edad retinal RETFound estimó la edad de una persona a partir de una fotografía de fondo de ojo en color, con un error medio de 2,85 años. Los investigadores entrenaron el sistema con imágenes de 71.343 participantes de UK Biobank. Sin embargo, su resultado más relevante no fue la estimación de edad en sí, sino la diferencia entre esa estimación y la edad cronológica de la persona.

Esa diferencia de edad retinal se asoció con rasgos cardiometabólicos, inflamación, rendimiento cognitivo, mortalidad, demencia, cáncer y enfermedad cardiovascular. El estudio revisado por pares también identificó patrones biológicos diferentes en hombres y mujeres. Estos hallazgos hacen que el ojo parezca menos un órgano aislado y más un registro medible del envejecimiento sistémico.

No obstante, una asociación no es un diagnóstico, y un error de tres años no convierte una predicción individual en clínicamente decisiva. El desafío central enfrenta un biomarcador de imagen conveniente con los estándares de validación exigidos para las decisiones médicas. Los investigadores han demostrado que una sola fotografía contiene una cantidad notable de información sobre la salud. Aún no han demostrado que todas las clínicas puedan interpretar esa información de forma segura.

El modelo de edad retinal RETFound convierte una fotografía en una señal de envejecimiento

El estudio transforma una imagen ocular rutinaria en una medida compacta de envejecimiento y luego investiga qué representa esa medida.

Una fotografía de fondo de ojo en color captura la retina, el disco óptico, la mácula y los vasos sanguíneos visibles en la parte posterior del ojo. Las clínicas oftalmológicas ya recopilan estas imágenes para evaluar afecciones como la retinopatía diabética y la degeneración macular. El proceso no es invasivo y, por lo general, se ajusta a una cita de imagen convencional.

El equipo de investigación ajustó RETFound, un modelo fundacional preentrenado con imágenes retinales, para predecir la edad cronológica. Un modelo fundacional aprende patrones visuales reutilizables antes de que los investigadores lo adapten a una tarea más específica. Este enfoque puede reducir la cantidad de entrenamiento específico necesaria en comparación con construir un modelo desde cero.

El modelo analizó imágenes de fondo de ojo de 71.343 participantes de UK Biobank. Según el registro de UK Biobank del estudio, sus predicciones tuvieron un error absoluto medio de 2,85 años. El error absoluto medio describe la distancia promedio entre las edades predichas y registradas, sin diferenciar entre sobreestimaciones y subestimaciones.

Ese resultado no significa que todas las estimaciones quedaran dentro de 2,85 años. Algunas predicciones fueron más cercanas, mientras que otras se alejaron más. La cifra agregada resume el rendimiento en una cohorte de investigación, en lugar de garantizar precisión para un paciente concreto.

La predicción de edad también sirvió como punto de partida, no como la afirmación clínica final. Los investigadores calcularon la diferencia de edad retinal de cada participante restando la edad cronológica de la estimación del modelo. Una diferencia positiva significaba que la retina parecía más vieja de lo esperado, mientras que una negativa indicaba que parecía más joven.

Esta diferencia importa porque un modelo entrenado con edad cronológica aún puede detectar características afectadas por la salud, el entorno y la genética. El calibre de los vasos sanguíneos, el aspecto de los tejidos, la estructura del disco óptico y otras señales sutiles pueden cambiar con la edad. Las enfermedades y los factores de estilo de vida pueden alterar algunas de esas mismas estructuras.

Por ello, el equipo trató el error de predicción como información biológica potencial. Comparó la diferencia de edad retinal con características clínicas, resultados de salud, medidas cognitivas y datos genéticos. La diferencia se asoció con varios rasgos y enfermedades relacionados con el envejecimiento, más allá de la edad cronológica en sí.

Eso cambia el propósito del sistema. Un simple estimador de edad sería poco más que una impresionante demostración de visión por computadora. Una diferencia de edad retinal reproducible podría convertirse en un fenotipo de investigación, es decir, una característica medible utilizada para estudiar diferencias de salud entre poblaciones.

El diseño basado en una sola imagen también distingue al modelo de los relojes biológicos que requieren muestras de sangre o tejido. La fotografía de fondo de ojo ya es habitual en oftalmología y en la detección de enfermedades oculares diabéticas. Esa infraestructura existente ofrece una vía plausible para recopilar una señal adicional sin añadir otra prueba invasiva.

Aun así, la fotografía no revela directamente la edad biológica universal de una persona. Registra un órgano en un momento determinado, mediante una modalidad de imagen. El modelo comprime después sus características visuales en un resultado con forma de edad. Esta distinción resulta crítica al considerar qué puede sustentar el resultado.

Por qué una diferencia de edad retinal importa más que la edad predicha

La cuestión clínicamente interesante no es si la IA puede adivinar la edad, sino si sus errores revelan de forma consistente diferencias ocultas de salud.

Un modelo que predice que una persona de 60 años tiene 64 ha cometido un error cronológico de cuatro años. Los investigadores también pueden interpretar ese resultado como una retina de apariencia más envejecida. Si diferencias similares se vinculan repetidamente con enfermedades o resultados futuros, el error se convierte en un biomarcador potencial en lugar de simple ruido estadístico.

El nuevo estudio informa asociaciones entre las diferencias de edad retinal y características cardiometabólicas, inflamación, rendimiento cognitivo, mortalidad por todas las causas, demencia, cáncer y enfermedad cardiovascular incidente. La enfermedad incidente se refiere a afecciones registradas después de la evaluación inicial. Es más informativa que una instantánea de diagnósticos existentes, aunque todavía no establece causalidad.

La retina ofrece una vista inusual del tejido neural y vascular sin necesidad de cirugía. Los cambios visibles allí pueden reflejar procesos que afectan los vasos sanguíneos, el metabolismo y el sistema nervioso. Esa posición biológica ayuda a explicar por qué los investigadores siguen contrastando las imágenes retinales con resultados ajenos a la oftalmología.

Trabajos anteriores llegaron a una conclusión similar. Investigadores de Google desarrollaron un modelo eyeAge utilizando cientos de miles de imágenes retinales y lo probaron con datos independientes. Su reloj de envejecimiento retinal produjo estimaciones correlacionadas con la edad cronológica y vinculó predicciones más elevadas con varias medidas de salud.

Ese sistema anterior logró una correlación de Pearson reportada de 0,87 entre la edad predicha y la cronológica. También asoció mediciones más altas de eyeAge con la mortalidad por todas las causas en su población de estudio. Google presentó las imágenes longitudinales como particularmente valiosas porque las fotografías repetidas podrían revelar la dirección y el ritmo del cambio retinal.

El estudio de RETFound amplía esa línea de investigación mediante un análisis amplio de UK Biobank y un modelo fundacional retinal. También integra datos genéticos y análisis específicos por sexo. El resultado no es simplemente otra competición por el menor error de predicción.

En cambio, el estudio pregunta si el envejecimiento retinal constituye un fenotipo biológicamente significativo. Sus análisis de todo el genoma identificaron señales relacionadas con la longevidad, el metabolismo, la neurodegeneración y las enfermedades oculares asociadas a la edad. La asociación genética puede ayudar a los investigadores a analizar qué vías biológicas contribuyen a la medición derivada de imágenes.

Sin embargo, la genética no valida automáticamente el modelo como prueba clínica. Una variante asociada estadísticamente podría explicar solo una pequeña fracción de la variación. También podría estar relacionada con la estructura ocular sin representar el envejecimiento de todo el organismo. Los investigadores deben distinguir las pistas biológicas útiles de los efectos clínicamente accionables.

La misma cautela se aplica a las asociaciones con enfermedades. La diabetes, la hipertensión, el tabaquismo, la medicación y las condiciones socioeconómicas pueden influir en la apariencia retinal. También pueden afectar los resultados cardiovasculares y cognitivos. Por tanto, un modelo podría captar factores de riesgo conocidos mediante indicadores visuales, en lugar de descubrir un mecanismo de envejecimiento independiente.

Esa posibilidad no vuelve inútil la señal. Un indicador fácil de obtener aún puede respaldar la detección o la investigación cuando añade información más allá de las mediciones existentes. La pregunta decisiva es si la edad retinal mejora las decisiones después de considerar la edad, la presión arterial, los resultados de laboratorio, los antecedentes médicos y las puntuaciones de riesgo establecidas.

Por ahora, la interpretación más sólida es más limitada. RETFound puede extraer una representación relacionada con la edad a partir de una fotografía de fondo de ojo. Las diferencias dentro de esa representación se corresponden con varias características de salud y biológicas a nivel poblacional.

Los resultados específicos por sexo complican la idea de un único reloj biológico

El resultado del modelo no describió un único proceso universal de envejecimiento, porque hombres y mujeres mostraron relaciones clínicas y anatómicas diferentes.

Los investigadores informaron un rendimiento similar de predicción de edad entre los modelos estratificados por sexo. Sin embargo, las firmas biológicas detrás de la diferencia de edad retinal divergieron. En los hombres, una edad retinal mayor mostró relaciones más fuertes con el síndrome metabólico. En las mujeres, la atención del modelo y la evidencia genética pusieron mayor énfasis en la vasculatura retinal.

La atención del modelo se refiere a métodos que identifican las regiones de una imagen que contribuyen con fuerza a una predicción. Estos mapas pueden ofrecer pistas sobre lo que utiliza el sistema. No proporcionan una explicación causal completa de su razonamiento.

El estudio también descubrió que los patrones de envejecimiento retinal en las mujeres variaban durante la transición menopáusica. Las participantes posmenopáusicas presentaron valores más altos de diferencia de edad retinal. Sus asociaciones clínicas se volvieron más similares a los patrones observados entre los hombres.

Estos resultados cuestionan una narrativa de producto tentadora. Sería fácil comercializar la edad retinal como un único número comparable entre todas las personas. El estudio sugiere, en cambio, que el mismo resultado puede reflejar mezclas biológicas diferentes entre grupos.

Una diferencia de cuatro años en una población podría reflejar principalmente características metabólicas. En otra, la estructura vascular o los cambios hormonales podrían contribuir con mayor fuerza. Incluso cuando la precisión de la predicción parece similar, el modelo puede basarse en señales diferentes.

Esta cuestión va más allá del sexo. La etnia, el hardware de las cámaras, los protocolos de imagen, la dilatación pupilar, la calidad de imagen y la prevalencia de enfermedades pueden afectar a un modelo retinal. Las diferencias en el acceso a la atención oftalmológica también pueden determinar qué pacientes aparecen en un conjunto de datos de entrenamiento.

UK Biobank es un valioso recurso longitudinal, pero no es una muestra aleatoria de la población mundial. Sus voluntarios tienden a ser más saludables que la población general del Reino Unido. El rango de edad, la distribución de ascendencia y el entorno clínico pueden diferir de los presentes en clínicas comunitarias de otros lugares.

Una investigación independiente sobre RETFound ilustra esta preocupación. Los investigadores evaluaron la predicción de edad retinal en 9.668 participantes sanos de UK Biobank mediante fotografías en color, tomografía de coherencia óptica y un modelo combinado. Su estudio sobre sesgo demográfico concluyó que el sesgo dependía tanto del grupo demográfico como de la modalidad de imagen.

El sistema combinado registró un error absoluto medio de 3,01 años. El modelo basado solo en fotografías alcanzó 3,40 años, mientras que el modelo de tomografía de coherencia óptica llegó a 4,37 años. Los investigadores encontraron diferencias significativas por sexo en el modelo fotográfico y diferencias por etnia en el modelo de tomografía.

La combinación de ambos tipos de imagen eliminó las diferencias estadísticamente significativas por sexo y etnia en ese análisis concreto. Sin embargo, también requirió más equipamiento y datos. Un modelo multimodal es más difícil de presentar como una sencilla herramienta de detección basada en una sola imagen.

La lección no es que el modelado específico por sexo fracase necesariamente. Es que la precisión promedio puede ocultar comportamientos a nivel de grupo. Un sistema puede generar un error general aceptable y, al mismo tiempo, sobreestimar sistemáticamente a una población y subestimar a otra.

Esa calibración importa cuando el resultado se interpreta como envejecimiento acelerado. Un sesgo persistente a nivel de grupo podría etiquetar a personas sanas como mayores u ocultar un riesgo elevado en otras. Eso convertiría un artefacto estadístico en una aparente conclusión biológica.

Los desarrolladores necesitarán informes por subgrupos, comprobaciones de calibración y validación externa antes de presentar la edad retiniana a pacientes individuales. Las interfaces clínicas también deberían mostrar la incertidumbre, en lugar de presentar una edad precisa sin contexto.

El Mecanismo Es Eficiente, pero Su Significado Sigue Siendo Controvertido

RETFound hace eficiente la extracción de características, pero el número resultante se sitúa entre la predicción cronológica, el envejecimiento de órganos y el riesgo sistémico.

El modelo parte de representaciones visuales aprendidas a partir de datos retinianos. Después, los investigadores ajustan esas representaciones para la predicción de edad. Esto permite que la red reutilice patrones relacionados con los vasos, la textura del tejido, el disco óptico y otras estructuras.

Ese proceso difiere de medir una molécula o característica anatómica conocida. Una prueba de laboratorio podría cuantificar la concentración de glucosa mediante un procedimiento químico definido. Un modelo de edad basado en aprendizaje profundo combina muchas características visuales, incluidos patrones que los humanos no pueden aislar fácilmente.

Los investigadores pueden examinar mapas de atención, comparar resultados con historiales médicos y estudiar variantes genéticas asociadas. Esos métodos mejoran la interpretación. Ninguno ofrece una explicación completa de cómo contribuye cada píxel a una estimación individual.

La etiqueta presenta otra complicación. El sistema aprende de la edad cronológica porque esa información está disponible y es objetiva. Sin embargo, la edad biológica no es una verdad fundamental observada directamente con una única definición aceptada.

Un modelo entrenado para reproducir fechas de nacimiento se convierte en un reloj biológico solo cuando las desviaciones transmiten información de salud reproducible. Esa transformación requiere evidencia entre cohortes, dispositivos, grupos demográficos y periodos de tiempo. También exige comparaciones con medidas clínicas más simples.

La literatura publicada ya contiene varios sistemas de envejecimiento retiniano, incluidos Retinal Age, eyeAge, RetiAGE y otros modelos convolucionales. Una revisión sobre la edad retiniana encontró variaciones significativas en los conjuntos de datos, los métodos de validación, las definiciones de los modelos y los resultados analizados.

Esos sistemas no miden necesariamente fenómenos idénticos. Uno podría enfatizar patrones vasculares, mientras que otro se apoya más en características del disco óptico o del tejido. Diferentes opciones de preprocesamiento de imágenes pueden cambiar qué información permanece disponible.

Esto dificulta la comparación directa. Una persona podría recibir edades retinianas diferentes de dos sistemas, incluso si ambos tienen una precisión promedio razonable. Sin parámetros de referencia armonizados, ninguno de los resultados tiene una interpretación clínica universal.

La palabra «edad» también puede hacer que la medición parezca más segura de lo que es. Los pacientes entienden la edad cronológica como un hecho fijo. Una estimación retiniana es una puntuación probabilística determinada por los datos de entrenamiento, la calidad de la imagen, la arquitectura del modelo y la calibración.

Un enfoque más seguro trata la edad retiniana como un biomarcador de imagen. Resume información visual relacionada con la edad y podría contribuir a la estratificación del riesgo cuando se combina con otras pruebas. No debería sustituir una evaluación médica ni utilizarse por sí sola como predicción de la esperanza de vida.

Los datos longitudinales podrían aclarar su significado. Si la diferencia de edad retiniana de una persona cambia tras el control de la presión arterial, dejar de fumar u otra intervención, los investigadores podrían evaluar si el cambio se correlaciona con mejores resultados. Las mediciones repetidas estables también indicarían si la señal supera la variación normal de las imágenes.

Sin embargo, los estudios de intervención enfrentan un estándar elevado. Un cambio en la puntuación del modelo no significa necesariamente que el envejecimiento se haya ralentizado. La cámara, el proceso de preprocesamiento o la calidad de la imagen podrían haber cambiado. Los investigadores deben demostrar tanto la repetibilidad técnica como la capacidad de respuesta biológica.

Por lo tanto, el mayor valor del modelo a corto plazo podría estar en la investigación. Puede ayudar a los científicos a dividir grandes cohortes según patrones de envejecimiento retiniano, explorar vías genéticas y generar hipótesis. El uso clínico exige una capa independiente de evidencia centrada en las decisiones y los resultados de los pacientes.

Lo Que los Resultados sobre la Edad Retiniana No Demuestran

El estudio respalda una asociación a nivel poblacional, no un diagnóstico autónomo ni una previsión personalizada de enfermedad y muerte.

La primera limitación es la generalización. El análisis principal utilizó datos de UK Biobank, y el rendimiento en esa cohorte no garantiza resultados equivalentes en otros lugares. Los sistemas sanitarios utilizan diferentes cámaras, flujos de trabajo, resoluciones de imagen y controles de calidad.

Las cohortes externas son especialmente importantes para las imágenes médicas porque los modelos pueden aprender señales específicas de cada dispositivo. Un cambio en el equilibrio de color o el campo de visión podría alterar las predicciones. El rendimiento también puede disminuir cuando una población de despliegue presenta más enfermedades oculares que el grupo de entrenamiento.

La segunda limitación es la confusión. La apariencia retiniana y los resultados relacionados con el envejecimiento comparten muchas influencias. El tabaquismo, la diabetes, la hipertensión, la obesidad, el uso de medicamentos y la privación pueden afectar a ambos. El ajuste estadístico reduce este problema, pero rara vez lo elimina por completo.

La tercera limitación se refiere a la interpretación inversa. Una retina de apariencia más envejecida podría reflejar daño causado por una enfermedad existente, en lugar de un proceso subyacente que provoque una enfermedad futura. La imagen puede seguir siendo informativa, pero la dirección de la relación cambia lo que los clínicos deberían concluir.

La cuarta limitación es la estabilidad de la medición. Las clínicas deben saber si la puntuación se mantiene consistente entre fotografías repetidas, modelos de cámara, técnicos y pequeños cambios de posicionamiento. Un biomarcador no puede orientar el seguimiento si la variación técnica rutinaria produce grandes cambios de edad.

La quinta limitación es la comunicación. Un paciente al que se le dice que su retina parece ocho años mayor podría asumir que su cuerpo ha envejecido ocho años adicionales. La investigación no justifica una conclusión tan literal. Tampoco puede determinar cuánto tiempo vivirá una persona.

La falsa tranquilidad presenta el riesgo contrario. Una estimación retiniana más joven no elimina el colesterol elevado, la hipertensión, los antecedentes familiares ni los síntomas. Un único biomarcador favorable nunca debería pesar más que la evidencia clínica establecida.

La privacidad también merece atención. Las imágenes retinianas pueden revelar más que la condición evaluada. La investigación ha extraído señales relacionadas con la edad, el sexo, el tabaquismo, características cardiovasculares e información sobre enfermedades a partir de fotografías del fondo de ojo. Es posible que los pacientes no esperen que una imagen permita tantas inferencias.

Las organizaciones médicas necesitarán reglas claras de consentimiento y gobernanza si reutilizan imágenes archivadas para nuevas predicciones. Los controles de acceso deberían reflejar la sensibilidad de la información inferida, y no solo el propósito original de la fotografía.

El estatus regulatorio es otro límite. Un estudio de asociación revisado por pares no autoriza un modelo para diagnóstico o cribado. Un producto clínico necesitaría un uso previsto definido, controles de calidad, evidencia de validación, supervisión y una revisión regulatoria adecuada.

Las pruebas prospectivas serán cruciales. Los investigadores deberían evaluar el modelo en pacientes que pasan por clínicas reales, en lugar de analizar únicamente registros históricos. Ese diseño puede medir imágenes fallidas, efectos en el flujo de trabajo, respuestas de los clínicos y consecuencias para los pacientes.

El criterio de valoración relevante también debe corresponder al uso propuesto. Si el modelo pretende mejorar el cribado cardiovascular, un ensayo debería evaluar si identifica riesgos más allá de las herramientas establecidas. Si se destina a la investigación sobre el envejecimiento, la repetibilidad y la sensibilidad al cambio pasan a ser centrales.

Estas limitaciones no eliminan la contribución del estudio. Definen la distancia entre una señal de investigación informativa y un instrumento médico fiable. La IA retiniana ha avanzado lo suficiente como para que esa distancia pueda ahora medirse en lugar de ignorarse.

Tres Señales Mostrarán Si la Edad Retiniana Puede Salir del Laboratorio

La validación externa, las imágenes repetidas y los ensayos centrados en decisiones determinarán si la edad retiniana resulta útil más allá de las cohortes de investigación.

La primera señal es la validación independiente en distintas poblaciones y sistemas de cámara. Los investigadores deberían probar el mismo modelo bloqueado sin reentrenarlo para cada hospital nuevo. Una calibración estable entre grupos de ascendencia, rangos de edad, enfermedades y dispositivos reforzaría la afirmación de que RETFound captura biología transferible.

Una caída del rendimiento no invalidaría el hallazgo de investigación. Mostraría que siguen siendo necesarias la calibración local o las entradas multimodales. Los desarrolladores deberían publicar los errores por subgrupos y las distribuciones de diferencias de edad, no solo una cifra global de precisión.

La segunda señal es la fiabilidad longitudinal. Una misma persona debería recibir resultados similares de imágenes tomadas con poca diferencia de tiempo y en condiciones comparables. A lo largo de periodos más prolongados, los cambios deberían corresponder a cambios clínicos o biológicos significativos, y no a variaciones aleatorias de la imagen.

Las imágenes repetidas también podrían revelar si el envejecimiento retiniano es una trayectoria en lugar de una puntuación estática. Eso respaldaría la investigación sobre cambios de estilo de vida, terapias y progresión de enfermedades. También plantearía preguntas más difíciles sobre qué cambios son reversibles y clínicamente significativos.

La tercera señal es la evidencia de que la puntuación mejora una decisión real. Un ensayo útil podría evaluar si la edad retiniana ayuda a identificar a personas que necesitan una evaluación cardiovascular tras una imagen ocular rutinaria. Otro podría examinar si aporta valor a la investigación sobre el riesgo de demencia junto con pruebas cognitivas y biomarcadores establecidos.

El éxito requeriría más que significación estadística. El modelo debería mejorar la detección, la priorización o los resultados lo suficiente como para justificar una complejidad añadida. También debería evitar ampliar las desigualdades mediante tasas de error o acceso desiguales.

La presión competitiva recae menos en otra empresa de IA que en la evaluación convencional del riesgo. Las herramientas existentes utilizan historial médico, pruebas de laboratorio, signos vitales y puntuaciones clínicas validadas. La IA retiniana debe demostrar que su señal de imagen de baja fricción añade información, en lugar de reformular indirectamente esos datos.

Para clínicos, desarrolladores y compradores de IA, la respuesta adecuada es una atención mesurada. Sigan la validación externa, la calibración por subgrupos y los ensayos prospectivos antes de tratar la diferencia de edad retiniana como un veredicto individual de salud. Para los investigadores que organizan una base de evidencia de rápido crecimiento, una base de conocimientos de IA estructurada puede mantener conectadas las versiones de los modelos, las cohortes y las limitaciones.

Una fotografía ocular ya permite una estimación creíble de los patrones retinianos relacionados con la edad. La pregunta sin resolver es si esos patrones pueden mejorar la atención de forma segura. Siga la evidencia sobre repetibilidad y decisiones clínicas, no solo un menor error de predicción.