AI onthult dat roken biologische veroudering versnelt: mannen 1,5×, vrouwen 2× chronologische leeftijd

Ingenieurs gebruiken deep learning-methoden om biologische leeftijd te voorspellen gebaseerd op tabaksroken. Mannelijke rokers waren voorspeld ongeveer 1,5 keer zo oud als hun chronologische leeftijd vergeleken met niet-rokers. Vrouwelijke rokers werden voorspeld twee keer zo oud als hun chronologische leeftijd dan niet-rokers.

Deep learning-gebaseerde leeftijdsvoorspellingsmodellen

Tabaksroken zorgt voor extreme druk op gezondheidszorgsystemen door morbiditeit, sterfte en mogelijke vooroudere veroudering. Het feit dat roken je ouder laat klinken als gezond verstand, maar tot nu toe is het nooit verhelderd en gekwantificeerd met kunstmatige intelligentie.

In deze studie gebruikten onderzoekers leeftijdsvoorspellingsmodellen gebaseerd op gesuperviseerde deep learning-methoden en ontdekten dat mensen die roken hogere verouderingssnelheden vertoonden dan mensen die niet roken, ongeacht hun vastende glucosewaarden en cholesterolratio's.

Referentie: Nature | doi:10.1038/s41598-018-35704-w | Universiteit van Lethbridge

Deze modellen werden vervolgens verder gebruikt om de versnelling van biologische veroudering door tabaksgebruik te bepalen. De massive datasets lijken op een bungetje nummers, die niet efficiënt verwerkt konden worden via conventionele algoritmes. Daarom gebruikten onderzoekers kunstmatige intelligentie om belangrijke patronen in algemene basisbloedonderzoeken te detecteren.

Training

De onderzoekers examineerden data van 149.000 anonieme bloedbiochemie-archieven, waarvan 49.000 individuen rokers waren. Ze trainden een set gesuperviseerde feed-forward diepe neurale netwerken op deze archieven, met NVIDIA TITAN Xp GPU's met CUDA deep learning frameworks.

Ontwerp van de deep learning-studie | Met dank aan de onderzoekers

Het netwerk observeerde 66 bloedbiochemie- en celjaagmarkers, waaronder serumferritine, vastende serumglucose, bloedureum en hemoglobine.

Volgens de resultaten werden mannelijke rokers voorspeld 1,5 keer zo oud als hun chronologische leeftijd vergeleken met niet-rokers, terwijl vrouwelijke rokers voorspeld twee keer zo oud waren als hun chronologische leeftijd dan niet-rokers.

De resultaten wijzen erop dat deep learning-assay van typische bloedtests de foutgevoelige technieken van zelfrapportage van rookstatus kunnen aanvullen. Feitelijk kan het uitgebreid worden om andere factoren op veroudering te evalueren en tabakseffecten op andere ziekten zoals diabetes te analyseren.

Bovendien kunnen de neurale netwerken gebruikt worden om gezondheidstrajecten te bepalen of om de mate te meten waarin talloze andere blootstellingen, genetische risico's en dieetfactoren veroudering en gezondheid beïnvloeden.