应用深度神经网络和Klemera-Doubal方法估计生物学年龄
目的 将深度神经网络(DNN)和Klemera-Doubal方法(KDM)应用于中国中老年人群估计生物学年龄(BA),并选择最优方案评价模型表现.方法 从中国健康与养老追踪调查(CHARLS)2011-2012年的全国基线调查数据中,选取45岁≤年龄≤85岁中老年人的血液标志物样本(11 513人)、身体测量指标样本(13 603人)和血液+身体测量样本(9 904人),应用DNN和KDM估计BA,根据Pearson相关系数、平均绝对误差(MAE)和均方根误差(RMSE)评价BA的估计准确性和选出最优方案.通过计算BA和时序年龄(CA)回归的残差ΔBA,与死亡情况、认知能力构建复杂抽样logistic回归或线性回归模型.结果 3种样本均是血液+身体测量样本计算的BA与CA相关性最高(rDNN=0.91;rKDM=0.48),MAE(MAEDm=3.11;MAEKDM=13.74)和RMSE(RMSEDNN=4.15;RMSEKDM=17.76)最低,DNN的BA估计准确性优于KDM.在血液+身体测量样本中,死亡风险随DNN-ΔBA、KDM-ΔBA、CA增加而升高,反之,认知能力随其增加而降低.基于受试者工作特征(ROC)曲线下面积(AUC)评价模型的预测作用,KDM-ΔBA对死亡风险的预测准确性略优于DNN-ΔBA(AUCKDM-ΔBA=0.717;AUCDNN-ΔBA=0.699).此外,相比于正常衰老者(-5 ≤ ΔBA ≤5),衰老加速者(ΔBA＞5)具有明显更高的死亡风险(ORDNN=1.760,95％CI=1.207～2.567;ORKDM=1.872,95％CI=1.308～2.679),并与更低的认知能力(βDNN=-0.631,95％CI=-1.124～-0.139;βKDM=-0.374,95％CI=-0.680～-0.068)有关.结论 最优方案包含多类型数据(血液+身体测量指标)具有较高的BA估计准确性,明显优于单类型数据,更能准确评估个体的衰老速度.DNN相较于KDM具有更高的BA估计准确性,且DNN与KDM的预测表现较为接近,可认为DNN应用于我国中老年人群评估个体的衰老变化具有更优表现.
生物学年龄、深度神经网络、Klemera-Doubal方法、衰老
39
R195.4;R587.1;R737.9
国家自然科学基金82073674
2023-10-16（万方平台首次上网日期，不代表论文的发表时间）
共7页
782-788
