通过一项突破性的 AI 研究 ，您的眼睛可以掌握早期发现阿尔茨海默症和痴呆症的关键。名为 Eye-AD 的深度学习框架可以分析高分辨率视网膜图像，识别与痴呆症相关的血管层的微小变化，这些变化通常对于人类检测来说过于微妙。该方法可以提供快速的非侵入性筛查，帮助医生减缓进展并改善患者的治疗效果。
阿尔茨海默病（AD）影响全球超过 5000 万人，预计随着人口老龄化，病例还会增加。早期发现和治疗对于提高患者的生活质量、通过临床干预减缓疾病进展以及让家人有更多时间规划长期护理和支持至关重要。
被称为“大脑窗口”的视网膜与大脑有着共同的胚胎起源。研究表明，视网膜微血管（微小血管）的变化通常与认知能力下降有关。然而，这些早期阶段的变化很难检测到，而像 MRI 和脊液分析等传统方法对于官方诊断而言成本更高且更具侵入性。
研究人员开发了 Eye-AD 模型，该模型将卷积神经网络 (CNN) 与图形神经网络 (GNN) 相结合，从视网膜图像中提取特征，以分析视网膜层内部和之间的关系，以进行疾病检测。
该模型使用非侵入性成像技术 Optical Coherence Tomography Angiography（OCTA）图像来可视化眼睛后部的血流和血管细节。通过分析 OCTA 图像，Eye-AD 识别出临床生物标志物，以预测早期发病的阿尔茨海默症（EOAD）和轻度认知障碍（MCI）。
该模型在配备 四个 NVIDIA GeForce RTX 3090 GPU 的工作站上使用 PyTorch 对 1671 名患者的 5751 张 OCTA 图像进行训练，从而缩短训练时间并高效地处理高分辨率图像。
Eye-AD 的性能优于其他模型，在检测 EOAD 方面表现出色，其内部数据集的 AUC（模型准确性的衡量指标）为 0.9355，外部数据集的 AUC 为 0.9007。其在 MCI 检测方面的性能略低，内部 AUC 为 0.8630，外部 AUC 为 0.8037。
研究人员还发现，深度血管复合体（视网膜中的一层血管）显示出与认知能力下降相关的重大变化，并且是 Eye-AD 准确预测早期疾病的关键临床生物标志物。
根据这项研究，该模型代表了早期高效痴呆症检测的重大进展，并有可能广泛应用于认知健康评估。未来工作将重点放在不同人群中验证 Eye-AD，并将其与其他诊断工具集成，帮助医生在临床实践中筛查痴呆症。
源代码可在 GitHub 获取。
阅读研究：通过视网膜成像和可信赖的 AI 进行早期痴呆症检测 。
照片由 Freepik 提供
