如果我说我能从你的眼睛里读出你早死的预兆，你相信吗？
相信绝大部分人都觉得这是一个很荒唐的事情，人类的生老病死怎么能单从眼睛中就能够读出来呢？
人的生老病死取决于细胞的新，旧更替以及分裂的速度和活性，如果细胞停止分裂或者分裂缓慢，就意味着进入了老年期，身体机能下降，细胞活力降低，等到细胞完全失去活性，心脏骤停，大脑死亡之时，便意味着人的生命就此终结。
检测死亡的方式有很多，但预测死亡的方式却极少，那我们应当如何预测死亡呢？
在电影《天才J》中，主角是通过“生命公式”和“死亡公式”来计算人的生存和死亡。
不少人感叹到：如果公式真的能够准确地计算人死亡的时间，那不是就逆天了吗。
那我们是否需要这个公式呢？在小编看来，这种公式如果真的被计算出来，那么对人类而言，是一场无比浩大的灾难，如果每个人都知道了自己的死亡时间，或许有部分人会变得非常消极，不工作、不学习，整天寻欢作乐，这对于社会的进步是毫无用处和意义的。
可以肯定地说，世界上没有任何设备和公式能够准确地计算人类死亡的时间，但科学家却通过研究，发现人的眼睛能够告诉人早死的预兆。
人类的年龄可以分为实际年龄和身体年龄，实际年龄是从人出生开始便进行计算，而身体年龄则是对身体的状况进行检测，这个检测可以由机器完成。
相信大家在看综艺《哈哈哈哈哈》的时候，便能够清楚地认知到实际年龄和身体年龄是存在区别的。如李诞在检测时发现他的身体年龄已经40多岁了，但他的实际年龄却只有30多岁，两者之间的差别是很大的。
实际年龄关乎着人类衰老的程度。一般而言，年龄越大衰老的程度就越明显。
当然人体衰老的程度还可以从DNA甲基化的水平总体下降情况进行判断。但是眼睛也能够成为我们观察人体衰老程度的窗口，甚至能够大概率地判断他是否会在这几年内去世。
眼睛中具有很多的结构，想要通过眼睛判断人早死的预兆，最重要的一个结构便是视网膜。
当人慢慢衰老的时候，体内各个结构器官会发生变化，从刚开始的精力旺盛到后面失去生机。眼睛作为一种器官，同样遵循这样的规律，不同的人眼睛不同，视网膜的面貌也有所不同。
广东省医科学院便开发了一种深度学习AI，能够根据眼睛中视网膜的面貌来判断人的实际年纪。
为了对深度学习AI预测的准确性进行判断，研究团队找来了接近2万张的眼底图，他们的年龄从40岁到69岁之间，拍摄眼底图的人都没有患过眼部相关的疾病，是身体状态比较良好的人群。
第一步，先将大部分的银地图输送给 AI，并且标注上实际年龄，这个过程是让AI能够找到其中的规律，并且我牢牢记住，形成一套固定的模式。
第二步，将剩下的一部分图片上传 AI进行预测，不会标注实际年纪，以此来判断 AI预测的准确度。
结果发现，AI预测的年龄和主人的实际年龄相差不会超过3.55年，这说明 AI预测的准确性是可供参考的，也就意味着眼睛当中视网膜的面貌能够与人体的实际年龄相联系。换句话说，视网膜的年龄在一定程度上可以判断该人的实际年龄。
问题来了，前面这个实验主要针对身体健康的人群，那么对于身体不健康的人群，又会出现什么样的结果呢？
研究团队又进行了另一个实验，这次实验没有刻意地去筛选健康人群和不健康人群，而是两者都入选，总共收集了35913张眼底图，标注人群的实际年龄，以及关注他们11年内的身体状况条件，包括生和死。
接着便将这些眼底图交给 AI预测，然后再将 AI预测的视网膜年龄减去实际年龄。
结果发现：这个差值越大，主人在11年内去世的可能性就越大。
根据详细的数据测算得出这个差值每扩大一年，主人在11年内去世的概率就会增加2%。
相信看到这里的人都想要去测一测自己视网膜的实际年龄。当然也有部分人觉得这个实验并没有科学依据，只是在众多数据当中找到规律，但事实却并非如此。
实际上，身体内出现的很多疾病也会和眼部疾病相联系。
例如肾脏疾病就常常会和眼部疾病结伴而行，再如，视网膜中的栓子就是可以阻塞血管的团块，也被科学家证实和慢性肾病等许多疾病都有关联。
也就是说，眼睛视网膜的面貌状态是否良好和身体是否健康有很大的关系，如果身体呈现不健康的状态，那么会在视网膜图片中有所体现。
所以，与其说能够通过视网膜的面貌来预测人早死的预兆，倒不如说是通过视网膜的面貌判断一个人身体健康的程度，然后再去预测他早死的情况。
研究团队表示将会继续深化研究 AI预测的准确性，希望在AI的帮助下能够提前预测人体所患疾病，及时采取治疗，让生命能够更好地延续。
没想到一个小小的视网膜既然能够扯出人类的生与死，这也恰恰说明身体的任何一个器官结构都是你身体健康程度的一个反应。在日常生活中，如果感到不适，就一定要及时就医，否则容易出现大的问题。
当然，这也说明科学技术的进步能够极大促进医疗、航空等各个领域的发展，这对于人类社会而言是具有极大的帮助。那么你的视网膜年龄和你的实际年龄相差多少岁呢？记住，如果相差了三岁以上，那么就可以被称作为“快速衰老者”。
参考资料：《Retinal age gap as a predictive biomarker for mortality risk》
,
