研究人员开发出名为 PathStAR 的深度学习模型，通过分析逾 2.5 万张人体活检图像，揭示不同组织的结构衰老呈现三种模式。该研究将 40 种人体组织的图像分割成 3000 多万个小区域，提取反映组织结构的特征，以量化分析不同年龄阶段组织结构的变化规律。
PathStAR 模型的核心能力在于对组织切片图像进行高精度分割与特征提取。研究团队将模型应用于 15 种样本量较大且覆盖全年龄段的组织类型，发现组织结构衰老主要呈现三种模式。第一种为早期衰老型，以血管系统为代表，其结构衰老在 30-39 岁期间明显加快，此后衰老速度趋于平缓。第二种为晚期衰老型，子宫属于此类，在成年早期保持相对稳定，直至 50-55 岁才进入衰老加速期。第三种为双相衰老型，即组织在一生中出现两个明显的衰老加速阶段，共有 9 种组织呈现这一特征，也是最为普遍的模式。
以卵巢为例，PathStAR 分析显示其呈现明显的双相结构衰老特征：35-40 岁期间衰老速度显著加快，这一时期恰逢女性生育能力下降；55-60 岁期间再次出现衰老加速，与绝经期相对应。这一发现为理解女性生殖系统衰老的生物学机制提供了新的量化视角。
进一步分析表明，各组织在结构衰老加速期具有相似的分子特征：与炎症相关的基因表达增加，而参与能量产生、细胞生长和细胞质量控制的基因活性下降。这一共性提示，尽管不同组织的衰老时间节点和模式存在差异，其背后的分子通路可能具有一致性，或为未来开发针对组织衰老的干预手段提供参考。
该研究将深度学习图像分析技术引入组织衰老研究领域，为病理学与计算生物学的交叉应用提供了新范式。随着模型在更多组织类型和更大规模数据集上的验证，PathStAR 有望成为评估组织生理年龄和预测衰老相关疾病风险的辅助工具。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
