匹兹堡附近执业的视网膜专科医生Leanne Labriola博士诊断了一位主诉眼部疼痛的女性患有多发性硬化症。当一位男性患者因阅读困难前来就诊时，她诊断其患有帕金森病。她还诊断了几位主诉视觉中有漂浮物的患者患有糖尿病。
这些病例促使Labriola开始研究眼组学（oculomics），即研究眼睛中作为全身性疾病标志的生物标志物。她一直在开发一个平台，用于检测泪液中糖尿病、心血管疾病和肾脏问题等状况的蛋白质生物标志物。
"眼组学已经形成了一个非常狭义的定义，通常与之相关的是基于视网膜细胞和神经组织视觉变化进行全身性疾病诊断，"Labriola说，"这从根本上是因为人工智能和这些相机在疾病筛查背后有很多资金支持。"
然而，她表示眼组学的定义本应更广泛："它本应指以任何方式进行全身性疾病诊断，而将眼部液体检测作为其中一部分，这从根本上说是眼组学的一部分，但并不常被提及。"
什么是眼组学？
眼组学的概念源自两个词根：表示眼睛的"ocular"和在生物学中表示分子及其功能集体研究的"omics"。
过去十年中，该领域的主流研究集中在视网膜成像上，特别是视网膜照片，用于诊断和监测糖尿病等全身性疾病。随着研究聚焦于将视网膜成像与人工智能结合使用，眼组学已经获得关注。
"眼组学的当前状态确实具有变革性，"前FDA官员、曾监管眼科设备、现任眼科创新协作社区（Collaborative Community on Ophthalmic Innovation）首席执行官的Malvina Eydelman博士说，该社区是由参与药物和设备开发的个人组成的联盟。"视网膜提供了一种独特且易于获取的、非侵入性的方式来可视化微血管和神经组织，有效地作为全身健康的窗口。"
她表示，人工智能和成像技术的进步正在加速眼组学在神经退行性疾病、脑血管疾病、心血管疾病、肾脏疾病和代谢疾病以及生物衰老方面的潜在应用。"这些创新为早期检测、更及时的干预以及最终预防下游损伤创造了机会，"Eydelman说。
FDA已经批准了可以帮助检测和监测糖尿病视网膜病变的成像设备，但眼组学将成像技术提升到了更高层次。
"眼组学的核心理念是向个性化医疗迈进、降低成本、能够真正关注眼睛，并可能引导对心血管疾病等全身性疾病的诊断和管理，"纽约市西奈山医院眼科人工智能项目主任Alon Harris博士说。
Harris说，眼睛后部的静脉和动脉，验光师或眼科医生在使用裂隙灯或双目间接检眼镜进行检查时可以看到，"是心血管系统的一部分。眼睛对心血管系统中的任何变化都非常敏感。"
多位研究人员专注于捕捉眼睛后部的图像，使用视网膜摄影或光学相干断层扫描（OCT）。一个国际研究团队报告称，三大进展加速了眼组学领域的发展：非侵入性眼科成像的广泛临床应用、可用于分析眼部病理与全身性疾病之间联系的大型研究的可用性，以及人工智能的进步。
Harris是参与Eye2Heart研究的唯一一位眼科医生，该研究评估了一个用于评估心脏和视网膜循环之间相互作用的数学模型。该模型能够重现心血管参数，如每搏输出量和心输出量，以及眼部血流动力学，如视网膜中的血流量。该模型还发现了眼内压和左心室顺应性在局部眼部和全身循环方面的潜在联系。
Harris参与了另一项今年发表的研究，该研究使用人工智能和视网膜图像来测量血压。他说，袖带测量"可能会有偏差"。"这项研究基本上发现，如果你使用这个AI模型，它的准确度匹配甚至略微超过了传统袖带测量的准确度。"他说，该研究使用多普勒技术测量眼部血流量，同时进行超声心动图检查。
在中国，研究人员报告称，OCT上视网膜微血管的变化可以作为糖尿病患者心血管疾病的标志，而芝加哥西北大学的一个研究团队发现，OCT上因血流不良导致的视网膜损伤斑块可以指示冠状动脉钙化的程度。
其他研究已经超越了心血管疾病。东京和伦敦的一个团队开发了一种AI模型，可以从视网膜照片中估计生物年龄和潜在疾病风险。在加拿大阿尔伯塔省卡尔加里的卡尔加里大学，一个团队正在使用AI分析神经系统疾病的生物标志物，他们称之为"神经-眼组学"的"新兴学科"。Harris表示，他的研究小组也在评估眼睛血管变化（如毛细血管密度和视网膜灌注）与其他疾病（包括镰状细胞贫血）之间的关联。
人工智能的潜力
Eydelman表示，人工智能有望将眼组学转变为一种广泛可用和可扩展的工具，而不是局限于专业领域的功能。"通过标准化图像捕获和解释，减少对专家评分员的依赖，并能够在各种护理环境中部署，人工智能已经在将眼组学的应用范围扩展到传统眼科环境之外，"她说。
她说，包括机器人在内的自动或引导式图像捕获可以帮助最大限度地减少操作员错误。"正在开发的工作流程协议还可以帮助初级保健提供者和其他非验光师或眼科医生的临床医生将结果发送给适当的提供者。"
"仅靠这些进展是不够的，"Eydelman补充道。"人工智能在眼组学中的影响最终将取决于输出是否在临床上可解释、在目标人群中经过严格验证、无缝集成到临床工作流程中，并与可操作的决策和可测量的患者收益明确关联。"
Harris预见"一个重大转变"，即视网膜相机将进入全科医生和其他医疗机构的办公室，以扩大设备的可及性，并与AI算法配对以解释图像。"我们还没有完全达到这个阶段，但随着数据的积累和更严格的科学验证，我们可能能够非常准确地诊断许多这些全身性疾病和中枢神经系统变化，"他说。
他的团队正在进行两个层面的眼组学AI研究。一个是挖掘眼科诊所捕获的图像中与心血管疾病的关系或存在，并构建AI算法，分析来自患者记录的现有数据集中的异常关联。Harris表示，第二项研究更为准确，是使用AI构建源自前瞻性研究的预测模型。他表示，这些发展有可能使成像"更简单、更用户友好"。
更多的眼泪
Labriola表示，捕获眼睛后部的高质量图像有一些限制。"患者必须配合。你必须有清晰的介质。你必须能够获得设备，然后它确实需要AI或医生的解释，"她说。
Labriola在诊所的经验促使她研究泪液，她称之为液体活检。她的团队在2024年发表了一项研究，其中他们在0.5微升的泪液中识别出500至800种蛋白质。2022年的一项研究发现，从乳腺癌女性患者采集的泪液样本中，三种乳腺癌生物标志物的表达增加。
"一滴眼泪含有1300多种蛋白质或生物标志物，但我们已经证明其中约800种可以被可靠且可重复地测量，"Labriola告诉Medscape Medical News。她说，泪液是"血浆的超滤液"。"它实际上是血液通过泪腺过滤而成的一种非常干净和一致的液体。"她补充说，尿液是酸性的，粘液含有细胞碎片，血浆含有高水平的白蛋白，所有这些都可能干扰测试，而泪液则不受影响。
泪液长期以来一直被用作干眼症的生物标志物，但Labriola表示，她想研究健康个体的液体，看看它是否可能含有与其他疾病相关的蛋白质。她说，它可能取代侵入性测试。"泪液似乎含有与脑脊液中发现的相似的生物标志物。"
Labriola表示，与使用视网膜图像识别生物标志物的模型一样，人工智能是分析泪膜的关键组成部分。"我相信，人工智能在整合所有这些信息以向用户提供最终输出方面发挥着更大的作用，"她说。"如果我们能够正确地做到这一点，我们可能能够在更多患者中更早地发现疾病，并在终末器官疾病发生之前找到它。"
Labriola报告称，她与AbbVie、Genentech/Roche、Regeneron Pharmaceuticals和Belite Bio有财务关系，并且是Insight Technology的首席执行官和创始人，以及Visionary Products的联合创始人。
Eydelman报告称，她是Salution Nexus的总裁和首席执行官。
Harris报告称，他与AdOM、Qlaris、Cipla、SlitLed和AEYE Health有财务关系。
Richard Mark Kirkner是费城的一名医学记者。
【全文结束】