杜克大学(Duke University)的一项跨学科研究表明，一种旨在解释视网膜图像组合的人工智能形式，能够成功地识别出一组已知患有阿尔茨海默氏症的患者，这意味着有一天，这种方法可能被用作一种预测工具。
新的计算机软件在眼睛内部的图像上观察视网膜结构和血管，这些图像与认知变化相关。
上周发表在
英国眼科杂志
，提供概念的证据，机器学习分析某些类型的视网膜图像有潜力提供一种非侵入性的方法，以检测阿尔茨海默氏病的症状者。
“阿尔茨海默病的诊断往往依赖于症状和认知测试，”杜克眼科中心视网膜专家、医学博士莎伦·费克拉(SharonFekrat)说。“确认诊断的额外测试是侵入性的、昂贵的，而且有一定的风险。有了一种更容易识别阿尔茨海默氏症的方法，可以在很多方面帮助患者，包括提高诊断的准确性，允许在疾病过程中尽早进入临床试验，以及规划必要的生活方式调整。”
Fekrat是杜克大学跨学科团队的一部分，该团队还包括杜克大学神经病学、电气和计算机工程系、生物统计学和生物信息学系的专门知识。该小组建立在早期研究的基础上，在这项工作中，他们发现了视网膜血管密度的变化，这些变化与认知的变化相关。他们发现阿尔茨海默病患者黄斑中心毛细血管网密度下降。
利用这些知识，他们训练了一个机器学习模型，称为卷积神经网络(CNN)，使用四种类型的视网膜扫描作为输入，教计算机识别图像之间的相关差异。
159名研究参与者的扫描被用来建立CNN；123名患者认知健康，36名患者已知患有老年痴呆症。
“我们测试了几种不同的方法，但是我们最好的模型结合了视网膜图像和临床病人的数据，”杜克大学眼科综合专家C.Ellis博士说。“我们的CNN将有症状的阿尔茨海默病患者与一个独立测试组的认知健康参与者区分开来。”
明智地说，重要的是让更多样化的患者群体建立模型，以预测所有种族群体的老年痴呆症，以及那些患有青光眼和糖尿病等疾病的患者，这些疾病也可以改变视网膜和血管结构。
杜克视网膜专家迪拉杰·格雷瓦尔(Dilraj S.Grewal)补充说：“我们相信，使用来自更大、更多样化人群的图像进行额外培训，将提高模型的性能。”
他说，更多的研究也将确定人工智能方法与目前诊断阿尔茨海默病的方法相比有多好，这些方法通常包括昂贵的侵入性神经成像和脑脊髓液测试。
Fekrat说：“阿尔茨海默病与视网膜改变之间的联系--再加上非侵入性、成本效益高、可广泛使用的视网膜成像平台--将多模态视网膜图像分析与人工智能结合起来，作为预测阿尔茨海默氏症诊断的一种有吸引力的附加工具，甚至是一种可能的替代手段。”
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
