编者按：痴呆症是是一种因脑部伤害或疾病所导致的渐进性认知功能退化，且退化幅度远高于正常老化进展的综合征。对于痴呆症的筛查，除了传统的非视网膜危险因素（TRFs）外，尚无完全确定的视网膜因素。英国伦敦大学的Robbert R. R. Struyven等人在ARVO 2023会上分享了团队的研究成果，比较了四种模型（非视网膜TRFs、视网膜层厚度测量和TRFs的组合、基于OCT图像训练的深度学习算法、结合OCT和TRFs的多模态融合模型）在筛查流行的全因痴呆中的表现，为完善痴呆症筛查提供了助力。

痴呆症筛查势在必行

目前每年有近1000万人罹患痴呆症，据世界卫生组织估计，2020年约有5500万人受到痴呆症影响，而这一总数每20年将翻一番。然而，即便在高收入国家，仍有20~50%的痴呆症患者未得到诊断。越来越多的证据表明，改变生活方式可以预防或延缓多达40%的痴呆病例，因此通过筛查确定有痴呆风险或已经受到痴呆影响的个体非常重要。

AlzEye研究概况介绍

AlzEye研究纳入了自2008年至2018年在伦敦莫菲尔茨眼科医院就诊的353,157例患者。研究者开发了一种结合TRFs和视网膜特征的多模态融合模型。传统危险因素包括人口统计学特征（年龄、性别、民族、剥夺指数）和临床特征（高血压、糖尿病）。视网膜特征包括两种：OCT ETDRS分区扫描模式自动得出ETDRS各分区所对应的视网膜厚度，以及通过卷积神经网络（CNN）自动学习提取的特征。模型对来自4家医院的26,603例患者的数据进行训练，并在两个测试数据集上进行验证；2,946例独立患者就诊于相同的4家医院（测试集1），2,966例独立患者就诊于不同的3家医院（测试集2）。

预测痴呆症能力评估

在预测痴呆方面，非视网膜TRFs的受试者工作曲线下面积（AUROC）在测试集1和测试集2中分别为0.808和0.776。深度学习OCT图像模型的AUROC分别为0.777和0.710。将OCT层厚度与TRFs结果相加，AUROC分别为0.812和0.784（最佳）。将深度学习特征添加到TRFs结果中，在测试集1和测试集2中的AUROC分别为0.833（最佳）和0.773。

将非侵入性视网膜检查与传统危险因素相结合的形式具有潜在益处

该研究表明，除了传统危险因素之外，利用视网膜图像训练的深度学习模型也可以作为一种简单、无创的痴呆筛查方法。研究者发现，除了年龄、高血压和糖尿病等痴呆的已知预测因素以外，视网膜的信号也可以用来帮助改善痴呆症的预测。该研究结果进一步证实了将非侵入性视网膜检查与传统的危险因素结合起来进行基于人群的痴呆筛查的潜在益处。

讲题：

Deep-learning fusion of OCT imaging and traditional risk factors to improve dementia detection in AlzEye.

作者：

Robbert R. R. Struyven, Dominic Williamson, Siegfried Wagner, David Romero-Bascones, Yukun Zhou, Timing Liu, Yue Wu, Konstantinos Balaskas, Mario Cortina Borja, Jugnoo Rahi, Axel Petzold, Aaron Y. Lee, Cecilia S. Lee, Alastair K. Denniston, Daniel Alexander, Pearse Keane

END

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。

2 comments