視網膜影像與人工智慧重塑個人壽命軌跡：2026年長壽醫學的突破與挑戰
2026年11月2日，Nature Biomedical Engineering刊登了一項由歐洲研究團隊主導、並在東南亞、歐亞與北美三個獨立外部隊列完成外部驗證的研究。研究團隊運用低成本、非侵入性的視網膜照片，結合大型基礎模型，開發出名為Retinal Mortality Equivalent（RetiME）的深度學習生物標記。這個標記不僅能直接將視網膜特徵映射到個人全因與特定死因死亡風險，更能透過重建個人化壽命軌跡，重新校準死亡率風險的時間軸。研究結果顯示，RetiME與觀察到的死亡年齡高度相關，並能區分出以癌症為主、以心血管代謝為主以及以神經退化為主的不同老化路徑。這項工作被視為將視網膜影像從傳統眼科診斷工具，推進到系統性健康風險評估與長壽醫學工具的重要里程碑。
視網膜長期被視為人體的「窗口」。視網膜血管與神經結構能夠反映全身血管健康、代謝狀態與神經炎症程度。過去二十年，視網膜影像已廣泛用於糖尿病視網膜病變、青光眼與年齡相關性黃斑部病變的篩檢。然而，將視網膜特徵直接連結到全因死亡率與個人化壽命預測，則是近年深度學習與大型基礎模型成熟後才真正成為可能。RetiME的核心創新在於它不只提供靜態風險分數，而是透過時間序列建模，重建每位個體的壽命軌跡。這種軌跡能夠捕捉老化速度的動態變化，並與實際死亡結局進行對應。研究團隊進一步進行聚類分析，發現不同軌跡對應不同的主導疾病風險模式，顯示視網膜影像可能同時捕捉到多種老化途徑的訊號。
研究使用歐洲隊列進行訓練，並在三個地理與種族背景差異明顯的外部隊列中進行驗證，這大幅提高了結果的可推廣性。RetiME不僅與全因死亡率相關，也與多種系統性與眼部疾病的發生率相關。可解釋性分析指出，模型關注的視網膜特徵涵蓋血管密度、血管彎曲度、視神經盤周邊變化以及局部色素改變等，這些特徵與已知的心血管疾病、代謝症候群與神經退化病理機制有所呼應。全基因組關聯分析進一步鑑定出與RetiME相關的基因位點，暗示視網膜死亡風險標記可能部分受到遺傳背景影響。這些發現共同支持將視網膜影像納入綜合性死亡率風險評估的可行性。
與RetiME同時期，人工智慧在長壽醫學領域的其他進展同樣引人注目。2026年9月，Insilico Medicine團隊在Cell期刊以封面文章形式發表了LongevityBench、Longevity-LLMs與Longevity Claw三項開放資源。LongevityBench是一套針對老化生物學的基準測試，涵蓋臨床、遺傳、表觀遺傳、轉錄組與蛋白質組等多層次資料的推理任務。研究顯示，針對老化生物學進行專門訓練的小型開放原始碼語言模型，在多項任務上能夠匹配甚至超越當時主流的前沿大型模型，包括部分參數規模遠大於專用模型的系統。其中L-Qwen3.5-9B在整體評分上名列前茅。Longevity Claw則是一個代理式研究平台，能夠自主探索老化的十四項公認特徵，並提名數百個潛在治療標的。這些提名基因在與獨立實驗支持的老化相關標的集合比較時，呈現顯著的富集現象。
幾乎同一時期，Insilico Medicine的另一項工作發表於Nature Biotechnology。該研究分析了AI設計的藥物候選物rentosertib在特發性肺纖維化第二期臨床試驗中的數據。研究使用六種獨立的蛋白質組老化時鐘，發現治療組在多個時間點與劑量組中，生物年齡呈現顯著下降，而安慰劑組變化有限。部分時鐘在特定劑量下顯示出二至四歲甚至更高的生物年齡降低幅度。這項結果並非直接證明藥物延長壽命，而是首次在真實臨床試驗中，觀察到AI設計藥物與多種老化時鐘同步改善的現象。它為後續以老化生物學為共同終點的臨床試驗設計提供了重要參考。
這些進展共同指向一個核心趨勢：人工智慧正在改變長壽研究的資料處理、假說生成與藥物發現流程。傳統老化研究依賴單一生物標記或有限的臨床終點，難以捕捉老化的多系統、動態與異質性特徵。大型基礎模型與專門訓練的語言模型，能夠整合基因組、蛋白質組、影像與臨床資料，生成可檢驗的預測與潛在干預標的。同時，視網膜、臉部照片、血液代謝物與穿戴裝置等低成本、可大規模取得的資料來源，使個人化老化軌跡的建構成為可能。
然而，這波進展也伴隨著必須正視的挑戰。首先是因果性問題。生物年齡的降低或死亡率風險分數的改善，並不等同於實際壽命延長。老化時鐘的校準多數建立在觀察性資料上，干預後時鐘數值的改變是否真正反映健康壽命的延長，仍需長期、以臨床事件為終點的隨機對照試驗來驗證。其次是可推廣性與公平性。視網膜影像與其他生物標記的表現可能受到種族、性別、社經地位與醫療可近性的影響。若訓練資料主要來自特定人口群，模型在其他群體的表現可能下降，甚至產生系統性偏差。第三是臨床落地的實務障礙。即使模型表現優異，將其納入常規健康檢查、保險評估或公共衛生政策，仍需解決資料隱私、監管審核、醫師信任與成本效益等問題。
從更宏觀的角度觀察，RetiME與同期AI長壽工具的出現，反映了長壽醫學從「延長壽命」向「延長健康壽命」的重心轉移。過去數十年，人類平均壽命的延長主要來自傳染病控制、慢性病管理與意外傷害減少。未來若要進一步提升健康壽命，必須更精準地識別早期老化軌跡的偏離，並在疾病臨床表現出現之前進行干預。視網膜影像因其非侵入性、低成本與可重複性，具備成為大規模篩檢工具的潛力。結合AI的軌跡建模能力，它有機會從單一時間點的風險評估，演進為動態監測與個人化預防策略的基礎。
在基礎科學層面，這些工作也重新激發了對老化機制的跨物種與跨組織比較。同期其他研究指出，骨骼機械負荷可能透過骨細胞分泌抗老化蛋白質影響全身老化；脂質醯基鏈延長被觀察為跨物種保守的老化特徵；代謝組老化時鐘能夠預測慢性病發生與死亡率。這些發現與RetiME所捕捉的系統性訊號相互呼應，暗示老化並非單一器官或單一途徑的產物，而是多層次、可部分干預的動態過程。
政策與社會層面同樣需要同步思考。若視網膜或AI驅動的生物年齡評估成為常規工具，個人可能更早得知自己的健康風險軌跡。這有助於促進行為改變與早期醫療介入，也可能帶來心理壓力、保險歧視或就業不平等的風險。如何在提升健康壽命的同時，確保資訊使用的公平與個人自主，將是未來十年必須面對的倫理與法律課題。公共衛生系統若能將這類工具整合進可負擔的預防照護體系，而非僅服務於高收入群體，才有可能真正縮小健康不平等。
展望未來，RetiME所代表的研究方向預計將朝三個方向深化。第一是多模態整合。視網膜影像可與血液蛋白質組、代謝組、基因資料與穿戴裝置的連續生理訊號結合，建構更完整的個人數位孿生。第二是干預回應性的驗證。未來臨床試驗若能同時以傳統臨床終點與多種老化時鐘、軌跡模型作為共同評估指標，將有助於釐清生物年齡改變的真實臨床意義。第三是開放與可重現性。LongevityBench這類基準測試的出現，有助於不同團隊在相同任務上比較模型表現，減少過度宣稱與不可重現的結果。
綜合而言，2026年這波以視網膜影像、專門語言模型與臨床試驗中老化時鐘改善為代表的研究進展，標誌著長壽醫學進入一個新的階段。AI不再只是分析既有資料的輔助工具，而逐漸成為假說生成、標的發現與個人化風險重校準的核心引擎。RetiME展示了如何以低成本影像資料重建個人壽命軌跡，並連結到實際死亡結局與不同疾病路徑。Insilico團隊的工作則顯示，專門訓練的模型與AI設計藥物有可能同時影響疾病進程與老化生物學指標。這些成果並非終點，而是更嚴謹、更長期臨床驗證的起點。只有在因果證據、公平性與臨床可近性同時獲得解決的前提下，這類技術才有機會真正轉化為廣泛的健康壽命提升。
資料來源
Nature Biomedical Engineering. Re-timing mortality risk through individualized modelling of lifespan trajectories. Published 02 November 2026. https://www.nature.com/articles/s41551-026-01822-4
Cell. Specialized AI models and LongevityBench for aging biology. Cover feature, September 2026.
Nature Biotechnology. Proteomic aging clocks in rentosertib Phase IIa trial. September 2026.
Science Translational Medicine. Metabolomic aging and mortality clocks based on ensemble learning. 2026.
Nature Aging. Related lipid and aging pathway studies. 2026.
Cell Metabolism. Bone mechanical strain and anti-aging protein secretion. 2026.
Additional contemporaneous reports from Nature, Science, and related peer-reviewed outlets on AI-driven longevity tools and biological age markers, 2026.