利用高分辨率视网膜图像，一种新的人工智能模型可以早期检测阿尔茨海默病和轻度认知障碍，为更及时、无创和负担得起的痴呆症治疗提供了希望。

　　在最近发表在《NPJ数字医学》杂志上的一项研究中，研究人员开发了一种深度学习算法，能够分析视网膜血管的高分辨率图像，从而在早期阶段检测阿尔茨海默病（AD）和轻度认知障碍（MCI）。这种创新的方法可以使临床医生识别痴呆症的高风险患者，允许及时的药物干预，以减缓疾病的进展及其有害影响。

　　该研究利用了来自1,671名参与者的5,751张图像，结果表明，这种新方法明显优于传统的AD和MCI检测技术。这种方法不仅准确，而且便宜、快速、完全无创，使其成为广泛筛查的理想选择。研究人员表示，进一步验证这种方法可以通过大规模的早期发现和管理来彻底改变痴呆症的护理。

　　痴呆症是一种进行性疾病，主要影响认知功能，包括记忆、信息处理和推理，导致执行日常任务的能力下降。医学的最新进步延长了人类的寿命，导致全球痴呆症病例激增，目前影响了5000多万人，预计未来几年还会增加。

　　尽管进行了广泛的研究，但现有的检测痴呆症的方法，包括生化测试和磁共振成像（MRI），由于成本高、侵入性和需要专门的设施而受到限制。此外，这些技术往往不能检测早发性阿尔茨海默病（EOAD），限制了早期干预高风险个体的能力。

　　最近的研究强调了视网膜——通常被称为“通向大脑的窗口”——与阿尔茨海默病等神经退行性疾病之间的潜在联系。临床研究和组织病理学报告表明，AD患者视网膜微血管变化独特。这些发现激发了人们对使用先进的眼科成像技术的兴趣，例如光学相干断层扫描血管造影（OCTA），以识别与认知能力下降相关的视网膜生物标志物。

　　OCTA是一种最先进的成像技术，可以对视网膜微血管系统进行快速和无创成像，甚至包括分辨率为5-6μm的最小毛细血管。这项技术提供了微血管网络和跨不同视网膜层以及脉络膜的中央凹无血管区结构的详细信息。

　　通过将OCTA数据与人工智能（AI）相结合，研究人员旨在创建一种具有成本效益且可扩展的解决方案，以识别有痴呆症风险的个体，促进健康老龄化，并促进及时干预。

　　Eye-AD模型结合了图神经网络（GNNs），使其能够分析关系不同视网膜层之间的关系，在早期阿尔茨海默氏症检测方面优于其他人工智能模型。

　　在这项研究中，研究人员开发并测试了一种名为“Eye-AD”的新型深度学习模型。该模型专门用于分析OCTA图像并识别早发性阿尔茨海默病或轻度认知障碍患者。该模型处理来自不同视网膜层的高分辨率数据，包括浅表血管复合体（SVC）、深血管复合体（DVC）和绒毛膜毛细血管（CC），以检测与认知能力下降相关的模式。

　　研究数据来自两个主要队列——romci（基于视网膜octa的MCI检测）和ROAD（基于视网膜octa的EOAD检测），其中包括以中央凹为中心的视网膜图像。这些图像捕获了视网膜血管结构的信息，为模型训练和评估提供了数据集。

　　Eye-AD模型包括两个主要部分：用于特征提取的卷积神经网络（CNN）和用于最终预测的图神经网络（GNN）。这些组成部分一起工作，分析视网膜各层之间复杂的关系，从而对认知功能进行更全面的评估。该模型在多个编码器上进行了测试，包括ResNet和ConvNeXt，由于其速度和一致的性能，最终选择了ConvNeXt。

　　研究人员认为，中央凹无血管区（FAZ）和周围的视网膜微血管是检测早期认知能力下降的高度敏感的生物标志物，血管分形维数等特定参数是关键指标。

　　研究结果表明，Eye-AD模型具有较高的精度和可靠性。其性能优于传统的生化和mri检测方法，检测EOAD的AUC（曲线下面积）为0.9355，检测MCI的AUC为0.8630。该模型的优势在于其准确性、成本效益和快速处理数据的能力，使其成为大规模筛选的实用选择。

　　该模型的可解释性分析还强调，与其他视网膜层相比，深血管复合体（DVC）在检测EOAD和MCI方面发挥了更关键的作用，这表明更深的视网膜结构可能更容易受到认知能力下降的影响。具体来说，研究发现DVC对模型的预测贡献更大，对EOAD和MCI的平均重要性评分分别为40%和49%。这些发现表明，更深的视网膜层的变化可以为痴呆症及其进展的机制提供见解。

　　此外，研究表明，与MCI患者相比，EOAD患者的视网膜结构差异更为明显，这可能反映了阿尔茨海默病对视网膜血管系统的影响更为严重。这些发现支持了一种假设，即痴呆症相关的变化在视网膜的深层更容易被检测到。

　　Eye-AD模型在早期发现痴呆症方面取得了重大进展。它仅使用高分辨率视网膜图像对大量人群进行无创筛查的能力使其成为广泛进行认知健康评估的理想工具。该模型不仅准确，而且可大规模部署，使识别早期阿尔茨海默病或轻度认知障碍患者成为可能，并促进及时干预。

　　虽然该模型显示出很大的前景，但研究人员强调，需要进一步的研究来验证其在更多不同人群中的表现。整合其他模式，如血液测试或认知评估，也可以提高模型的诊断能力。随着不断的发展，Eye-AD模型有可能在未来成为痴呆症筛查和监测的宝贵资源，促进更健康的老龄化和改善患者的预后。