根据在2026年5月3日至7日于美国丹佛举行的视觉与眼科研究协会(ARVO)会议上发表的研究，人工智能可以利用视网膜眼底图像识别出有认知障碍风险的糖尿病患者。
随着深度学习技术的进步，眼科组学(oculomics)领域正在迅速发展，该技术能够从视网膜图像中提取系统性生物标志物。研究人员感兴趣的是，仅针对糖尿病分类训练的模型所推导出的预测表型是否能够捕捉到系统性认知衰退。
分析中使用了总计2280张中央超广角眼底图像。一个经过训练的模型用于区分健康对照组和胰岛素依赖型2型糖尿病患者，并在两组之间显示出可靠的区分能力(AUC=0.81 [0.77, 0.83])。研究排除了前期糖尿病和非胰岛素控制的2型糖尿病患者。
接下来，该模型应用于全部2型糖尿病患者队列，将他们分为"低风险"(n=466)和"高风险"(n=400)表型。蒙特利尔认知评估量表(MoCA)得分被用作整体认知功能的代理指标。应用多变量线性回归来评估表型与MoCA的关系，同时调整年龄、BMI、糖化血红蛋白(HbA1c)、糖尿病视网膜病变以及任一眼的年龄相关性黄斑变性等因素。
多变量分析(n=830)显示，在调整协变量后，低风险表型预测糖尿病患者有更高的整体MoCA得分(β =+0.58, 95% CI [0.10, 1.05], P =.017)。这意味着与低风险表型相比，高风险表型患者的大脑功能相当于老了约14.5岁。
此外，年龄匹配的配对(N=396)显示，低风险与高风险表型相比，整体MoCA得分显著更高(平均值=25.4 vs 24.7; P =.002)。记忆指数得分在两组之间没有显著差异(平均值=12.5 vs 12.1, P =.098)。
研究人员表示，他们希望专注于开发一个高质量的"金标准"数据集，可以应用于人群层面。这将使该工具能够整合到多模态筛查路径中，帮助识别有整体认知障碍风险的糖尿病患者。这项研究背后的调查团队包括普亚·霍斯拉维(Pooya Khosravi)、内森·L·斯科特(Nathan L. Scott)和安德鲁·布朗(Andrew Browne)。
本研究有几个局限性，包括相对较小的样本量可能限制了对更广泛糖尿病人群的普遍适用性。
参考文献：
Khosravi P, Kamalipour A, Huck NA, 等. 糖尿病中认知功能的视网膜眼底成像生物标志物：一项探索性眼科组学研究。在2026年5月3-7日于美国科罗拉多州丹佛举行的视觉与眼科研究协会(ARVO)年会上发表的海报。摘要编号3188-0633。
【全文结束】