通過一項突破性的 AI 研究 ，您的眼睛可以掌握早期發現阿爾茨海默癥和癡呆癥的關鍵。名為 Eye-AD 的深度學習框架可以分析高分辨率視網膜圖像，識別與癡呆癥相關的血管層的微小變化，這些變化通常對于人類檢測來說過于微妙。該方法可以提供快速的非侵入性篩查，幫助醫生減緩進展并改善患者的治療效果。
阿爾茨海默病（AD）影響全球超過 5000 萬人，預計隨著人口老齡化，病例還會增加。早期發現和治療對于提高患者的生活質量、通過臨床干預減緩疾病進展以及讓家人有更多時間規劃長期護理和支持至關重要。
被稱為“大腦窗口”的視網膜與大腦有著共同的胚胎起源。研究表明，視網膜微血管（微小血管）的變化通常與認知能力下降有關。然而，這些早期階段的變化很難檢測到，而像 MRI 和脊液分析等傳統方法對于官方診斷而言成本更高且更具侵入性。
研究人員開發了 Eye-AD 模型，該模型將卷積神經網絡 (CNN) 與圖形神經網絡 (GNN) 相結合，從視網膜圖像中提取特征，以分析視網膜層內部和之間的關系，以進行疾病檢測。
該模型使用非侵入性成像技術 Optical Coherence Tomography Angiography（OCTA）圖像來可視化眼睛后部的血流和血管細節。通過分析 OCTA 圖像，Eye-AD 識別出臨床生物標志物，以預測早期發病的阿爾茨海默癥（EOAD）和輕度認知障礙（MCI）。
該模型在配備 四個 NVIDIA GeForce RTX 3090 GPU 的工作站上使用 PyTorch 對 1671 名患者的 5751 張 OCTA 圖像進行訓練，從而縮短訓練時間并高效地處理高分辨率圖像。
Eye-AD 的性能優于其他模型，在檢測 EOAD 方面表現出色，其內部數據集的 AUC（模型準確性的衡量指標）為 0.9355，外部數據集的 AUC 為 0.9007。其在 MCI 檢測方面的性能略低，內部 AUC 為 0.8630，外部 AUC 為 0.8037。
研究人員還發現，深度血管復合體（視網膜中的一層血管）顯示出與認知能力下降相關的重大變化，并且是 Eye-AD 準確預測早期疾病的關鍵臨床生物標志物。
根據這項研究，該模型代表了早期高效癡呆癥檢測的重大進展，并有可能廣泛應用于認知健康評估。未來工作將重點放在不同人群中驗證 Eye-AD，并將其與其他診斷工具集成，幫助醫生在臨床實踐中篩查癡呆癥。
源代碼可在 GitHub 獲取。
閱讀研究：通過視網膜成像和可信賴的 AI 進行早期癡呆癥檢測 。
照片由 Freepik 提供
?
