AI 抗衰的软肋：数据集偏见与验证闭环

伴随表观遗传、多组学技术快速发展,AI 器官衰老时钟已经成为长寿医学领域的前沿热点。但 PMC 发表的衰老 AI 领域综述,也揭示出行业一个普遍性短板:全球绝大多数衰老 AI 模型,训练数据集来源于数十年前采集的欧美人群公共数据库。

由于不同种族在 DNA 甲基化图谱、代谢通路、年龄相关慢病谱上存在客观差异,如果直接将海外预训练模型迁移到中国人群使用,会带来器官年龄评估、候选活性物质预测的系统性偏差。不少商业项目一味追求亮眼的算法指标,却缺少本土真实人群的前瞻性队列作为支撑。

LAIFE母公司Regenerative Bio 旗下 RevOrgan平台,通过建设中国本土自然衰老队列、搭配类器官体外验证体系,尝试缓解数据集偏见难题,为行业提供可供观察的实践样本。

数据集偏见:海外公共数据难以适配国人衰老特征

衰老时钟 AI 模型的准确度高度依赖训练样本的规模与人群代表性。目前公开可下载的大规模衰老多组学数据集,绝大多数样本采集自欧美白人群体。不同人群遗传背景、生活饮食习惯、慢性病谱的差异,会直接改变甲基化衰老标记位点的分布特征。

部分商业机构直接调用海外公共数据集训练完成的模型,不经过本土化校准就面向国内消费者输出器官生理年龄报告,很容易出现评估结果和个体真实身体状态相偏离的现象。

与此同时,国内衰老相关大样本前瞻性队列资源相对稀缺,不少 AI 抗衰平台只使用已经归档完成的 “静态旧数据”,缺少持续入组、持续随访的本土活体人群样本,模型无法跟随国人真实衰老样本完成迭代优化。

“本土活数据 + 类器官验证”,构建干湿结合的证据闭环

为降低海外公共数据集带来的模型偏移,Regenerative Bio 联合浙江大学医学院附属邵逸夫医院,启动国内近 3000 人规模自然衰老前瞻性队列研究。

队列面向健康中国受试者,是以外周血 cfDNA 甲基化特征作为生物信号,依托 Illumina MSA 甲基化检测手段,搭配自主研发 AI 算法,构建出面向中国人群的多器官衰老时钟模型。模型覆盖大脑、心脏、肝脏、胰腺、肾脏、卵巢、皮肤等 12 类关键器官,经过本土队列样本训练之后,可识别不同器官出现的加速衰老倾向,为后续个体化干预方案的靶点挖掘提供参考依据。

国内衰老干预计算医学想要走稳走远,需要更多机构投入本土前瞻性衰老队列建设。行业从业者应当清晰划分算法仿真、类器官体外试验、人体真实世界观察三者之间的鸿沟,拒绝把计算预测直接等同于人体功效结论。

只有数据、算法、生物学验证三者协同,AI 技术才能够真正服务国人的健康衰老需求。

（免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。）