JMT日本医疗——通过视网膜影像高精度检测阿尔茨海默病

中国香港中文大学的Carol Y.Cheung等人，利用在4个国家的8个机构进行的11项临床试验的对象阿尔茨海默症患者648例和非阿尔茨海默症3240例的视网膜影像数据，开发了检测阿尔茨海默症的深层学习模型。Lancet Digit Health（2022；4:e806-e815）发表了验证的结果，以超过83%的高精度检测出阿尔茨海默症，在淀粉样蛋白PET中的阳性例和阴性例也能以超过80%的高精度识别。据说仅通过视网膜影像检测阿尔茨海默症的深层学习模型，此次是第一次。

阿尔茨海默症的诊断很复杂，有时需要在专门机构以外很难进行的淀粉样蛋白PET等进行高精度的检查，需要适合在主要护理中实施的简便的筛选模型。另一方面，阿尔茨海默症患者的剖检结果指出视网膜的变化，视网膜的影像可以用在主护理中低费用且无创并可以广泛利用的眼底照相机拍摄。

因此，Cheung等人在4个国家（中国、新加坡、英国、美国）的8个机构中进行了临床试验，收集了11件参加临床试验的阿尔茨海默症患者648例（5598影像）和非阿尔茨海默症的对照3240例（7351影像）的视网膜影像数据共计1万2949件，开发了仅通过视网膜影像检测阿尔茨海默症的深层学习模型。采用无教师域自适应，减轻了试验间数据集的偏差，对综合了4种影像（以左右眼的视神经乳头和黄斑为中心的视网膜影像）中发现的阿尔茨海默症患者的视网膜特征的数据进行了有教师学习的模型进行了检查。

阿尔茨海默症检测灵敏度93.2%、特异度82.0%

首先，使用6个试验的数据组进行内部验证的结果，深层学习模型的阿尔茨海默症检测的正诊断率为83.6%（标准偏差（SD）2.5），灵敏度为93.2%（同2.2），特异度为82.0%（同3.1），接收者动作特性（ROC）曲线下面积（AUC）为0.93（同0.01），精度高。

接着，使用5个试验的数据组对学习完毕模型进行了测试，结果，正诊率为79.6%（SD15.5）～92.1%（11.4），AUC为0.73（0.24）～0.91（0.10）。

并且，使用实施了淀粉样蛋白PET的5件中3件试验的数据组β评价了阳性和阴性的识别能力。结果，与阿尔茨海默症检测相同，正诊率为80.6%（SD13.4%）～89.3（13.7%），AUC为0.68（0.24）～0.86（0.16），高精度。

在亚组分析中，有无阿尔茨海默症和淀粉样蛋白β阳性/阴性的识别能力与眼部疾病的非并发病例（正诊率71.7%、SD11.6%）相比，并发病例（89.6%、12.5%），与非糖尿病患者（72.4%、11.7%）相比，糖尿病患者（81.9%、20.3%）分别提高。

无需高级影像检查，性价比高

迄今为止，有使用视网膜影像检测糖尿病视网膜症等眼疾病、心血管疾病、糖尿病等全身性疾病的深层学习的应用例，但深层学习在视网膜影像的阿尔茨海默症检测中的作用不明显。Cheung等人表示：“此次是首次仅通过视网膜影像检测阿尔茨海默症的深层学习模式。”

作为阿尔茨海默症的深层学习模型，迄今为止提出了将多个眼科影像诊断法（光干涉断层摄影（OCT）、OCT血管造影、超宽视野视网膜成像、视网膜自身荧光影像）和患者数据并用来预测阿尔茨海默症的深层学习系统。然而，需要一种专门的影像诊断方法，其中样本大小为159例（其中阿尔茨海默症患者36例（23%），不能用于初级护理。

他们指出：“由于我们的算法能够仅通过视网膜影像进行阿尔茨海默症预测，因此更有效率，也有可能提高费用效果。具有使用由多人种、跨国临床病例构成的数据集的优势。”他还展望道：“今后，有必要进一步探讨向各种各样的集团·环境的一般化，根据用各种眼底照相机拍摄的视网膜影像进行评价，深层学习算法的解释可能性以及临床实施的研究。”