总结：一项利用人工智能分析常规眼部照片的新研究发现了一种廉价、无创的方法，可以在临床症状出现前数十年预测主要的阿尔茨海默病风险因素。研究团队通过在英国数据库中超过40,000名患者的视网膜照片上训练机器学习模型，成功地将眼睛的特定区域（如视网膜动脉和视神经）与阿尔茨海默病易感性的生物学和生活方式风险因素联系起来。
AI准确预测了包括生物性别、血压、吸烟、饮酒和失眠在内的特征。由于视网膜是中枢神经系统的直接延伸，这些常见且低成本的图像充当了患者累积神经血管损伤的"综合生物传感器"，为在不可逆脑损伤发生前进行早期生活方式和医疗干预打开了一扇重要的窗口。
关键事实
眼部窗口：视网膜形态（特别是动脉和视神经）提供了神经血管完整性的可测量指标，充当阿尔茨海默病易感性的有机传感器。
大规模数据库试验：机器学习模型使用英国主要数据库中存档的超过40,000名患者的视网膜图像进行训练和验证。
客观风险映射：AI成功绕过不可靠的患者自我报告，客观识别生活方式和生物学风险，包括高血压、吸烟、饮酒和失眠。
提前十年干预：由于阿尔茨海默病病理发展需要数十年，这种低成本筛查可以在晚期不可逆脑损伤发生前很早就识别出高风险患者。
普及且成本效益高：与成本高昂的MRI或PET扫描不同，视网膜摄影已经在常规眼科检查、糖尿病筛查和青光眼检查中广泛应用。
来源：佛罗里达大学
眼睛常被称为"灵魂之窗"，但它们也可能提供关于不那么诗意却同样重要的东西的线索：大脑的健康状况。
一项针对数万名患者的新研究表明，眼睛后部视网膜的廉价、简单且常见的照片可以准确预测与阿尔茨海默病发展相关的许多最常见风险因素。
机器学习可以分析常规视网膜照片，在临床症状出现前数十年检测出痴呆的隐藏生物和生活方式风险。图片来源：Neuroscience News
"我们知道阿尔茨海默病的发展需要数十年，但大多数诊断工具都集中在已经为时已晚的晚期病理上，"佛罗里达大学生物医学工程教授、该新研究的负责人方若谷博士说。"通过关注新的生物标志物，如视网膜健康，我们提供了识别高风险患者的新机会，提供适当的测试，并鼓励他们发展健康的生活方式来降低风险。"
方教授与她的合作者，包括佛罗里达大学的亚当·伍兹博士和Meta研究员杨云超博士，于6月16日在《阿尔茨海默病杂志》上发表了他们的发现。
许多患者会例行拍摄眼睛照片。患有糖尿病、青光眼或白内障的患者会在多年内拍摄许多视网膜照片。即使是常规的眼科检查也可以捕捉到照片。这种近乎普遍的使用使得分析视网膜照片变得简单且低成本，与其他更昂贵的技术（如MRI）相比。
通过使用机器学习分析英国患者数据库中超过40,000名患者的这些视网膜照片，方教授的团队能够识别出与阿尔茨海默病风险因素相关的视网膜区域，如动脉和视神经。
"在AI的协助下，我们现在能够识别出以前被忽视的数千名受试者中的细微视网膜变化，这些变化可能作为未来疾病风险的可靠指标，"佛罗里达大学博士生、该出版物的第一作者柳世웅说。
AI模型准确预测了性别或血压等生物特征，以及与阿尔茨海默病发展相关的生活方式因素，如吸烟、饮酒甚至失眠。虽然许多这些因素都记录在患者的医疗图表中，但这些记录往往不完整。一些因素，如饮酒和吸烟，依赖于不可靠的自我报告。
因此，视网膜照片可能提供另一种更客观的方式来检测这些风险因素。此外，视网膜图像可以捕捉多年来积累的损伤，这将因具有相似风险因素的患者而异。
"视网膜形态可以提供神经血管完整性的可测量指标，这与阿尔茨海默病易感性高度相关，"方教授说，她也是McKnight脑研究所的成员。"从这个意义上说，视网膜成像的功能更像是累积风险的综合生物传感器，而不是替代问卷。"
方教授的团队已经确定视网膜照片可以检测阿尔茨海默病的活跃病例。但现在科学家们认为该疾病会持续多年，甚至数十年。因此，识别早期风险因素可以更好地识别那些在不可逆脑损伤发生前可能对早期干预（包括保护性生活方式改变、某些药物甚至脑力训练）有反应的患者。
资金支持：这项工作部分得到了国家科学基金会的支持。
关键问题解答：
问：为什么眼睛，特别是视网膜，能够揭示影响大脑的疾病细节？
答：视网膜在发育和解剖学上是中枢神经系统的延伸；它实际上是胚胎发育过程中被推入眼睛的一块脑组织。由于它们具有相同的胚胎学起源，你眼睛后部的血管和神经纤维反映了颅骨内部的微血管和神经通路。系统性炎症、睡眠不足或血管疾病造成的损伤会出现在视网膜的精细结构中，使其成为大脑隐藏状态的可见代理。
问：这种AI方法如何改进标准医疗记录或患者问卷？
答：传统图表严重依赖患者对饮酒量、吸烟习惯或失眠水平等生活方式风险因素的自我报告，这些报告往往不准确或被患者最小化。此外，图表无法显示特定生活方式造成的实际损伤。AI模型读取这些习惯数十年来对眼组织造成的物理累积损害。它将一张简单的照片转化为反映实时神经血管脆弱性的客观生物传感器。
问：如果眼科检查显示阿尔茨海默病高风险，患者在症状出现前数十年实际上能做些什么？
答：早期发现将时间线从被动治疗转向主动预防。由于脑损伤需要数十年才能在临床上表现出来，早期识别使患者能够在大脑仍具有高度弹性时实施保护性生活方式改变。这包括积极的心血管管理、专门的脑力训练方案、严格的睡眠疗法以改善毒素清除，以及可能在广泛神经死亡发生前启动更有效的早期治疗药物。
编辑说明：
- 本文由Neuroscience News编辑编辑。
- 完整审阅了期刊论文。
- 工作人员添加了额外的上下文。
关于此AI和阿尔茨海默病研究新闻
作者：Eric Hamilton
来源：佛罗里达大学
联系：Eric Hamilton – 佛罗里达大学
图片：图片由Neuroscience News提供
原始研究：访问受限
"通过深度学习从视网膜图像预测阿尔茨海默病风险因素：在英国生物银行中开发和验证与生物学相关的形态学关联" 作者：方若谷等 《阿尔茨海默病杂志》
DOI:10.1177/13872877261457650
摘要
通过深度学习从视网膜图像预测阿尔茨海默病风险因素：在英国生物银行中开发和验证与生物学相关的形态学关联
背景
系统性、代谢性和生活方式因素已通过流行病学和阿尔茨海默病特异性生物标志物研究与阿尔茨海默病(AD)建立了关联。彩色眼底摄影(CFP)是否包含对应于这些AD相关风险领域的视网膜结构特征仍不清楚。
目标
确定深度学习(DL)模型是否能从CFP预测12个与AD相关的风险因素，并表征这些预测背后的视网膜结构，从而评估CFP是否反映AD易感性的途径。
方法
使用来自英国生物银行的44,501名独特参与者的62,876张CFP，训练DL模型以预测与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、饮酒、抑郁）和6个连续变量（年龄、完成教育的年龄、体重指数、收缩压、舒张压、HbA1c）。评估并比较模型性能、模型显著性以及显著性衍生分数(CAM-Score)与视网膜形态测量的关系。还将这些分数与发生AD的病例（平均在发病前8.55年）和匹配的对照组进行比较。
结果
DL的预测性能在分类因素的AUROC在0.5654至0.9480之间，连续因素的R²在-0.0291至0.7620之间，优于大多数基于形态测量的机器学习模型。显著性基础分数始终突出显示生物上有意义的区域，特别是视神经头和视网膜血管。它也与现有的形态测量变化一致。几个显著性基础分数在发生AD的病例和匹配的对照组之间存在显著差异，表明AD相关风险因素的视网膜相关物与临床前AD相关变化可能存在重叠。
结论
CFP编码与AD风险因素相关的视网膜特征。虽然不是诊断性的，但DL衍生的视网膜表征可能揭示反映潜在AD易感性的生物学上有意义的风险相关结构变化。
【全文结束】