与辛格博士和费克拉特博士一起探讨多模态视网膜成像和人工智能(AI)在识别神经认知疾病中的作用。
在本期《循证视网膜》节目中，辛格医学博士、美国视网膜专家学会会士(FASRS)与费克拉特医学博士、美国外科医师学会会士(FACS)、美国视网膜专家学会会士(FASRS)共同讨论了如何利用多模态视网膜成像和人工智能识别神经认知疾病。
费克拉特博士是杜克大学医学院眼科、神经病学和外科学教授，也是iMIND（神经退行性疾病眼多模态成像）研究组的创始人和主任。
iMIND研究快速事实
- 研究组: iMIND（神经退行性疾病眼多模态成像）研究组自2017年起设在杜克大学神经病学诊所，正在研究通过人工智能分析多模态视网膜和脉络膜成像是否能在症状出现前检测神经退行性疾病。
- 关键发现: 在iMIND队列中，跨多种神经认知疾病观察到两个一致的发现：
- 光学相干断层扫描(OCT)显示神经节细胞-内丛状层(GC-IPL)变薄
- 光学相干断层扫描血管成像(OCTA)显示视网膜微血管的血管密度和灌注密度降低
- AI应用: 使用多模态视网膜成像训练的卷积神经网络(CNN)模型在识别症状性阿尔茨海默病方面显示出前景，其中GC-IPL图对模型的贡献最大。
- 标准化: 在该方法进入常规临床护理之前，仍面临图像标准化的挑战。这些挑战包括协调一致的采集协议、分割规则、图像质量阈值和报告标准。
深入了解iMIND研究
视网膜与大脑具有共同的胚胎起源，作为神经感觉组织，可能反映中枢神经系统发生的变化。阿尔茨海默病有一个临床前阶段，即近20年的无症状期，在此期间病理生理变化可能在症状出现前数十年就已发生。
在这一无症状窗口期识别患者，可以为临床试验入组、风险因素干预和早期治疗干预创造机会。iMIND研究组正在研究通过人工智能分析多模态视网膜和脉络膜成像是否能在这一窗口期内识别神经退行性疾病，研究对象为大量参与者。
迄今为止，已有超过2,000名18至90岁的参与者加入iMIND研究，主要来自杜克大学神经病学诊所，包括患有以下疾病的个体：
- 阿尔茨海默病
- 轻度认知障碍
- 帕金森病
- 额颞叶痴呆
- 路易体痴呆
- 多发性硬化症
- 肌萎缩侧索硬化症(ALS)
- 亨廷顿病
- 创伤性脑损伤
- 创伤后应激障碍(PTSD)
对照组包括认知正常的成年人，以及那些已知APOE基因状态但尚未出现症状的个体，费克拉特博士称这组人特别有价值。
多模态成像方法
该研究组使用多种成像方式；ZEISS Cirrus HD-5000 OCT设备采集未散瞳的黄斑立方体和视盘立方体数据，涵盖一系列结构指标；ZEISS AngioPlex OCTA测量浅层毛细血管丛的血管和灌注密度，以及视盘周围毛细血管流量指数和灌注密度。
使用OPTOS California设备进行超广角成像，采集红绿彩色图像和眼底自发荧光，尽管这些未散瞳图像中的眼睑和睫毛伪影仍然是可靠捕获周边视网膜的挑战。
跨疾病的共同主题
OCT显示的GC-IPL变薄已在阿尔茨海默病和轻度认知障碍中得到证实。OCTA观察到的血管和灌注密度降低已在研究的所有神经认知疾病中观察到。费克拉特博士指出，自从2017年开始成像以来，这两个发现一直在iMIND队列中得到验证。
由于微血管丢失和GC-IPL变薄可能有多种原因，iMIND研究排除了患有糖尿病、青光眼或其他可能独立产生类似发现的疾病的参与者。这支持了所观察到的视网膜变化可能确实特异于所研究的神经认知和神经退行性疾病的解释。
AI和眼组学
传统的横断面统计分析提供了有用的数据，但人工智能可能检测到这些方法无法检测到的模式。iMIND研究组已开发出使用多模态视网膜成像的CNN模型，成功区分了症状性阿尔茨海默病和轻度认知障碍与正常认知。
GC-IPL厚度图对模型性能影响最大，定量患者数据和OCTA图像也有贡献。iMIND研究组还开发了一种可以区分帕金森病和对照组的模型。费克拉特博士还表示对纳入全眼底OCTA感兴趣，这可以实现整个眼底的成像，包括当前设备尚未完全捕获的周边视网膜。
临床应用的障碍
在该方法应用于临床护理之前，仍有几个障碍需要克服。需要更广泛和更多样化的患者入组，以及协调一致的采集协议、分割规则、图像质量阈值和报告标准，类似于DRCR视网膜网络对糖尿病视网膜成像研究所做的工作。
费克拉特博士指出，当这些问题得到解决后，潜在的应用可能包括人群筛查、初级保健分流、记忆诊所的辅助使用以及临床试验入组的预筛选。
本文由Sonia Kelley, OD, MS根据辛格博士和费克拉特博士的录制视频撰写。
【全文结束】