眼组学：AI如何将眼部扫描转化为全身健康检查与疾病检测
Eric Ralls
Earth.com特约撰稿人
眼组学这一迅速崛起的科学领域的核心理念简单而大胆：详细的眼部检查可能揭示远超视力范围的人体整体健康状况，而不仅仅是视力好坏。
高分辨率视网膜图像与现代AI算法结合，现已被用于检测超出视力范围的疾病风险。大规模数据集正推动这一革命。例如，英国生物银行存储了50多万志愿者的视网膜和健康数据，为科学家提供了前所未有的窗口，观察细微的眼部特征如何反映身体整体健康。
理解眼组学——基础
眼组学这一新兴领域使用的尖端技术，使科学家和医生能够从快速、无创的眼部扫描中，发现心脏病、糖尿病、肾脏问题甚至神经退行性疾病的迹象。
人类视网膜是大脑的延伸，并与其它重要器官共享血管。这意味着视网膜结构或颜色的细微变化，可能预示身体其他部位的更大问题，远早于症状出现。
先进的AI算法分析视网膜、视神经和血管的高分辨率图像，以检测人类眼睛无法察觉的细微模式。
这些AI系统可以测量血管宽度、神经纤维厚度、色素沉着，甚至视网膜的微观结构变化。
通过将眼部数据与遗传、生活方式和临床信息结合，眼组学中使用的AI可以创建研究人员所称的“数字眼印”——一个反映身体整体功能状况的个人健康签名。
视网膜与全身疾病的联系
这项工作由新加坡国家眼科中心和杜克-新加坡国立大学医学院的王廷音博士领导。他的研究聚焦于视网膜成像、人工智能以及眼部线索如何与全身疾病相关联。
视网膜是眼球后部一层薄薄的感光层，以异常清晰的方式暴露微小血管和神经组织。这两个器官系统通常无法在不进行手术的情况下直接检查。
眼组学将视网膜结构和血流的微小变化，与心脏、大脑和肾脏中观察到的模式联系起来。
眼组学与AI
一项基于284,335名患者的深度学习研究表明，视网膜照片可以估计常见风险因素，如年龄和吸烟状况。
它还在五年内预测了主要心脏事件的可能性——性能可与标准计算器媲美。
深度学习是一种从大型数据集中识别模式的机器学习方法，擅长发现人类错过的细微图像特征。它权衡血管宽度、扭曲和纹理，然后将其转化为综合风险评分。
每张眼部照片中的健康线索
一个多国系统使用视网膜照片来估计冠状动脉钙化——心脏动脉中的钙沉积，表明斑块负担——并在无需CT扫描的情况下分层心血管风险。
该方法提供了一种低成本、无创的方式，识别可能需要更密集测试的人群。
另一个算法在多中心样本中，从视网膜照片检测阿尔茨海默病。该模型捕获了黄斑和微血管中与疾病相关的特征，同时在不同地点标准化结果。
另一团队报告了一种与死亡风险相关的视网膜年龄差生物标志物。当预测的视网膜年龄超过实际年龄时，风险会适度但持续增加。
AI加入初级保健
“今日的决定允许在初级保健医生办公室使用一种新型人工智能技术进行营销，”美国食品药品监督管理局设备部门主任玛尔维娜·艾德尔曼博士说。
监管机构已开始允许在初级保健中解释视网膜图像的自主工具。
早期的绿灯聚焦于糖尿病视网膜病变，但设定了明确的先例。自主AI——无需人工监督即可做出临床判断的软件——可以在专家稀缺的地方对患者进行分诊。
眼组学仍有局限
迄今为止最清晰的成功在于眼部具有明确定义生物标志的高负担疾病。心脏风险、认知能力下降、糖尿病和肾脏压力都在血管形状或视网膜层中留下可检测的痕迹。
局限性仍然重要。泛化性——模型在新诊所和人群上可靠执行的能力——当相机、图像质量或患者背景与训练数据不同时，可能会失效。
临床医生应将眼组学输出视为任何其他生物标志物，即可衡量的反映疾病风险的信号。阳性结果可能提示后续测试，而非即时诊断。
误报和漏报会发生，尤其是在边缘情况。这就是为什么团队正在前瞻性地验证模型，重新校准阈值，并将图像信号与常规生命体征结合。
眼睛作为健康传感器
微血管——输送氧气的身体最小血管——在每张视网膜图像中可见，为全身血管健康提供了清晰快照。
现代相机现在使这个窗口易于访问：在初级保健诊所、药店，甚至在社区筛查期间由移动团队，可以在30秒内进行无创拍摄。
便携式成像系统和基于家庭的视力工具正在进一步扩展这一范围。
随着数据集的扩大，基础模型——可以适应多种任务的大型预训练AI系统——预计将提高稳定性并减少对手动标注的需求。
最终，目标是精准预防。通过将细微的眼部信号转化为可行的健康洞察，眼组学可以帮助将每位患者匹配到正确的“下一步”，无论是开始他汀类药物治疗、调查认知能力下降，还是加强血糖控制。
该研究发表在Progress in Retinal and Eye Research期刊上。
【全文结束】
