- 3 次围观
基于机器学习（ML）和人工智能（AI）的衰老时钟正日益被用于基于组学和医学影像数据量化生理和分子层面的衰老，并将其与时间年龄区分开来。在此，我们刻画了常用ML/AI回归模型一个基础性但长期被低估的计算局限：系统性预测偏倚及其向下游关联估计的传播。我们表明，系统性预测偏倚会扭曲，且在某些情况下甚至会颠倒，从衰老时钟分析中得出的生物医学结论。例如，它可能产生虚假的关联，暗示预测脑龄更高与更好的认知表现相关，或表观遗传年龄更高与更好的肾功能相关。为解决这一问题，我们提出了一种基于约束优化的、具有原则性且广泛适用的ML/AI回归框架，以确保衰老时钟估计和生物医学推断的可信性。
基于机器学习（ML）和人工智能（AI）的衰老时钟正日益被用于基于组学和医学影像数据量化生理和分子层面的衰老，并将其与实际年龄加以区分。在此，我们刻画了一种常用ML/AI回归模型中基础性但尚未受到充分重视的计算局限：系统性预测偏差及其向下游关联估计的传播。我们证明，系统性预测偏差会扭曲，且在某些情况下甚至会颠倒，从衰老时钟分析中得出的生物医学结论。例如，它可能产生虚假的关联，错误地表明预测脑龄更老与更好的认知表现相关，或表观遗传年龄更老与更好的肾功能相关。为解决这一问题，我们提出了一种基于约束优化、具有原则性且广泛适用的ML/AI回归框架，以确保衰老时钟估计和生物医学推断的可信性。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.27.728155v1?rss=1
🏷️ 衰老时钟 可信人工智能 机器学习回归 系统性预测偏差 生物年龄估计 约束优化
来源出处
面向衰老时钟的可信机器学习/人工智能：防止生物年龄估计中的系统性预测偏差
https://www.biorxiv.org/content/10.64898/2026.05.27.728155v1?rss=1