摘要
背景
通过流行病学和阿尔茨海默病特异性生物标志物研究，系统性、代谢性和生活方式因素与阿尔茨海默病(AD)之间已建立明确关联。然而，彩色眼底摄影(CFP)是否包含与这些AD相关风险领域的视网膜结构特征仍不明确。
目标
确定深度学习(DL)模型能否从CFP预测12种AD相关风险因素，并表征这些预测背后的视网膜结构，从而评估CFP是否反映了AD易感性的途径。
方法
使用来自英国生物银行44,501名独特参与者的62,876张CFP，训练DL模型预测与AD病理或发病率相关的12个因素：6个分类变量（性别、吸烟、失眠、经济状况、酒精使用、抑郁）和6个连续变量（年龄、完成教育年龄、体重指数、收缩压、舒张压、糖化血红蛋白）。评估并比较了模型性能、模型显著性以及显著性衍生分数(CAM-Score)与视网膜形态测量学的结果。同时，在发病前平均8.55年的AD病例和匹配对照组之间比较了这些分数。
结果
DL的预测性能在分类因素上AUROC范围为0.5654至0.9480，在连续因素上R²范围为-0.0291至0.7620，表现优于大多数基于形态测量学的机器学习模型。基于显著性的分数始终突出了具有生物学意义的区域，特别是视神经头和视网膜血管。它也与当前的形态测量变异一致。在发病前AD病例和匹配对照组之间，几种基于显著性的分数存在显著差异，表明AD相关风险因素的视网膜相关性与临床前AD相关变化可能存在重叠。
结论
CFP编码了与AD风险因素相关的视网膜特征。尽管不能用于诊断，但DL衍生的视网膜表征可能揭示与风险相关的生物学有意义的结构变化，反映潜在的AD易感性。
数据可用性声明
本研究使用英国生物银行申请48388号的数据进行。去标识化数据的应用可在英国生物银行获取。分析代码提供在相关公开平台。
【全文结束】