Разработка алгоритма оценки биологического возраста на базе системы объяснимого искусственного интеллекта с использованием лабораторных биомаркеров и показателей биоимпеданса

По мере динамичного развития исследований в области медицины долголетия биологический возраст все чаще рассматривается как наиболее перспективный интегральный показатель, объединяющий сигнатуры биомаркеров и обладающий клинической значимостью. В данной работе описан процесс разработки системы искусственного интеллекта для оценки биологического возраста на основе мультимодальных биомедицинских данных. Исследованы восемь категорий биомаркеров: биоимпедансометрия, общий и биохимический анализ крови, коагулограмма, липидный профиль, эндокринный статус, маркеры воспаления и простатический специфический антиген. Для более точной интерпретации применены глубокие нейросетевые архитектуры (MLP, DANet, FT-Transformer, GANDALF) и методы объяснимого ИИ (SHAP). Агрегированная модель, использующая несколько категорий показателей, достигла средней абсолютной ошибки 6.7 года и коэффициента корреляции Пирсона 0,83 с хронологическим возрастом. Система обеспечивает интерпретацию вклада отдельных биомаркеров в возрастную акселерацию и стратификацию пациентов по рискам, что открывает возможности для персонализированной медицины и превентивных стратегий. Результаты валидированы на российской популяции.

1. Levine M.E. et al. An epigenetic biomarker of aging for lifespan and healthspan // Aging (Albany NY). 2018. Vol. 10, № 4. P. 573–591.

2. Drewelies J. et al. Using blood test parameters to define biological age among older adults: association with morbidity and mortality independent of chronological age validated in two separate birth cohorts // GeroScience. 2022. Vol. 44, № 6. P. 2685–2699.

3. Mamoshina P. et al. Population Specific Biomarkers of Human Aging: A Big Data Study Using South Korean, Canadian, and Eastern European Patient Populations // J Gerontol A Biol Sci Med Sci. 2018. Vol. 73, № 11. P. 1482–1490.

4. Bortz J. et al. Biological age estimation using circulating blood biomarkers // Commun Biol. 2023. Vol. 6. P. 1089.

5. Jia Q. et al. A biological age model based on physical examination data to predict mortality in a Chinese population // iScience. 2024. Vol. 27, № 3. P. 108891.

6. Putin E. et al. Deep biomarkers of human aging: Application of deep neural networks to biomarker development // Aging (Albany NY). 2016. Vol. 8, № 5. P. 1021–1030.

7. Li X. et al. Application of biological age assessment of Chinese population in potential anti-ageing technology // Immun Ageing. 2018. Vol. 15. P. 33.

8. Bae C.-Y. et al. Biological age and lifestyle in the diagnosis of metabolic syndrome: the NHIS health screening data, 2014–2015 // Sci Rep. 2021. Vol. 11. P. 444.

9. Kang Y.G. et al. Models for estimating the metabolic syndrome biological age as the new index for evaluation and management of metabolic syndrome // Clin Interv Aging. 2017. Vol. 12. P. 253–261.

10. Kang Y.G. et al. Biological age as a health index for mortality and major age-related disease incidence in Koreans: National Health Insurance Service – Health screening 11-year follow-up study // Clin Interv Aging. 2018. Vol. 13. P. 429–436.

11. Chen L. et al. Modeling biological age using blood biomarkers and physical measurements in Chinese adults // eBioMedicine. 2023. Vol. 89. P. 104458.

12. Verschoor C.P. et al. Comparing Biological Age Estimates Using Domain-Specific Measures From the Canadian Longitudinal Study on Aging // J Gerontol A Biol Sci Med Sci. 2020. Vol. 76, № 2. P. 187–194.

13. Zhong X. et al. Estimating Biological Age in the Singapore Longitudinal Aging Study // J Gerontol A Biol Sci Med Sci. 2020. Vol. 75, № 10. P. 1913–1920.

14. Fermín-Martínez C.A. et al. AnthropoAge, a novel approach to integrate body composition into the estimation of biological age // Aging Cell. 2022. Vol. 22, № 1. P. e13756.

15. Bae C.-Y. et al. A model for estimating body shape biological age based on clinical parameters associated with body composition // Clin Interv Aging. 2013. Vol. 8. P. 11–18.

16. Maaten L., Hinton G.E. Visualizing Data using t-SNE // Journal of Machine Learning Research. 2008. Vol. 9, № 86. P. 2579–2605.

17. Pearson K. LIII. On lines and planes of closest fit to systems of points in space // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. Taylor & Francis, 1901. Vol. 2, № 11. P. 559–572.

18. Tenenbaum J.B., Silva V. de, Langford J.C. A Global Geometric Framework for Nonlinear Dimensionality Reduction // Science. American Association for the Advancement of Science, 2000. Vol. 290, № 5500. P. 2319–2323.

19. Kruskal J.B. Nonmetric multidimensional scaling: A numerical method // Psychometrika. 1964. Vol. 29, № 2. P. 115–129.

20. Kruskal J.B. Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis // Psychometrika. 1964. Vol. 29, № 1. P. 1–27.

21. Dasgupta S., Gupta A. An elementary proof of a theorem of Johnson and Lindenstrauss // Random Structures & Algorithms. 2003. Vol. 22, № 1. P. 60–65.

22. Achlioptas D. Database-friendly random projections: Johnson-Lindenstrauss with binary coins // Journal of Computer and System Sciences. 2003. Vol. 66, № 4. P. 671–687.