《Scientific Reports》：Non-invasive screening of alzheimer’s disease via label-free tri-spectral retinal imaging
编辑推荐：
本研究针对阿尔茨海默病(AD)早期诊断存在侵入性、成本高及可及性差等挑战，开发了一种可与商用眼底相机集成的三光谱视网膜成像模块，通过捕获蓝光(<520 nm)、绿光(520-580 nm)和红光(>600 nm)三个优化波段下的视网膜反射图像，结合XGBoost机器学习模型分析光谱、临床及人口统计学特征，在独立验证集上达到AUC=0.91的高诊断准确率，为AD早期筛查提供了一种成本低、易整合的非侵入性新方案。
阿尔茨海默病(Alzheimer's Disease, AD)作为最常见的痴呆症类型，全球患者人数预计到2050年将增至1.5亿。然而，其早期诊断面临巨大挑战。目前主流的诊断方法，如正电子发射断层扫描(Positron Emission Tomography, PET)检测脑内Aβ沉积或通过腰椎穿刺获取脑脊液(Cerebrospinal Fluid, CSF)分析Aβ和Tau蛋白，虽然准确，但存在操作成本高昂、具有侵入性以及设备普及度低等问题，难以用于大规模人群筛查。因此，在出现明显临床症状时，大脑的病理改变往往已相当严重，错过了干预的最佳窗口期。近年来，血液生物标志物(Blood-Based Biomarkers, BBM)如ptau 181和217显示出潜力，但其水平易受年龄、种族、基因型等多种因素影响，仍需进一步验证。另一个备受关注的方向是视网膜。作为中枢神经系统(Central Nervous System, CNS)的延伸，视网膜能够反映AD在脑内的病理变化，例如Aβ斑块、神经原纤维缠结(Neurofibrillary Tangles, NFTs)以及神经元变性、视网膜变薄、血管异常等，并且其唯一能够通过非侵入方式在活体内直接观察的CNS组织，这使其成为AD早期诊断和监测的理想窗口。
为此，来自意大利技术研究院等机构的研究团队在《Scientific Reports》上发表了一项研究，他们开发了一种新颖的三光谱视网膜成像模块，旨在为AD的早期筛查提供一种成本效益高、易于整合且非侵入性的解决方案。
研究人员开展此项研究主要运用了几个关键技术方法：首先，他们设计并构建了一个定制的三光谱视网膜成像模块，可无缝集成到商用的TOPCON TRC-NW6S非散瞳视网膜相机上，能够单次闪光同时捕获视网膜在蓝光(<520 nm)、绿光(520-580 nm)和红光(>600 nm)三个特定波段的反射图像。其次，研究纳入了经CSF或PET生物标志物确认的AD患者(38例)和年龄匹配的健康对照(28例)组成的临床队列，所有参与者均提供了知情同意。第三，对获取的图像进行了严格的预处理，包括基于校准标记的相机间配准和基于视盘与黄斑中心凹两个解剖标志的受试者间图像对齐，以消除空间误差。最后，利用XGBoost机器学习算法，结合从图像中提取的光谱强度特征以及临床和人口统计学数据，构建AD分类模型，并采用SHAP (SHapley Additive exPlanations) 分析来解释模型的特征重要性。
开发用于眼底图像采集的三光谱成像方法
研究团队开发了一种三光谱视网膜成像模块，该模块由独立的相机组成，可与商用眼底成像系统集成。其核心在于通过二向色镜和长通滤光片将进入模块的视网膜反射光分离到三个特定的光谱区域（蓝、绿、红），并由三个相机同时捕获，实现了单次闪光即可获取高灵敏度、高分辨率的三光谱数据。采集后，图像经过空间配准校正和血管剔除等预处理步骤。更重要的是，通过识别视盘中心和黄斑中心凹这两个解剖标志点，对所有图像进行变换（平移、旋转、缩放），确保不同受试者图像中相同解剖结构位于相同的像素位置，为后续的像素级比较分析奠定了基础。这种模块化方法在简化高光谱成像、降低成本的同时，增强了对短波长（尤其是蓝光）的灵敏度，而短波长对检测AD相关的早期病理变化尤为关键。
比率计量分析揭示鼻侧区域是AD的潜在生物标志物
研究人员将上述技术应用于AD患者组(n=38)和对照组(n=28)的视网膜光谱响应比较。通过计算所有受试者视网膜各像素位置的蓝绿通道强度比(Blue-to-Green ratio, B/G ratio)，并绘制受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC-ROC)的空间分布图，来评估不同区域的诊断潜力。为了消除图像对齐过程中人为标记解剖点（标准偏差：黄斑中心凹20.03像素，视盘10.27像素）带来的误差影响，他们将对齐后的图像划分为不同大小的子区域（150x150, 50x50, 10x10像素2）进行分析。结果发现，在不同分辨率下，AUC-ROC空间分布图均显示出相似的模式， consistently 提示视网膜的鼻侧区域（视盘与黄斑之间）以及颞侧区域具有最高的诊断价值。选择150像素大小的子区域进行稳健分析后，在鼻侧表现最佳的区域获得了AUC-ROC为0.74 (95%置信区间CI: 0.61-0.86)。对围绕该中心区域的3x3邻域子区域的分析显示平均AUC-ROC仍约为0.71，表明所选区域定义的稳定性。箱线图分析进一步证实，AD患者在该区域的B/G比值显著高于健康对照(p < 0.001)。类似地，蓝红通道比(Blue-to-Red ratio, B/R ratio)也显示出AD患者的升高(p < 0.001)，这与仪器设计增强蓝色散射信号检测能力的初衷相符。
用于AD和健康受试者分类的XGBoost模型
尽管上述线性模型揭示了显著差异，但为了捕捉AD病理相关的光谱强度中可能存在的复杂非线性关系并提升分类性能，研究团队采用了XGBoost机器学习算法。此次分析扩大了样本量，共纳入了79名患者（42名AD，37名HS）的138只眼的数据（若双眼光谱特征相似则仅保留左眼）。数据集按患者级别划分为训练集(85.5%)和测试集(14.5%)。在训练集上采用留一交叉验证(Leave-One-Out Cross-Validation, LOOCV)，模型达到了AUC-ROC为0.83，准确率75.4%，灵敏度82.4%，特异性66.0%。在独立的测试集上，模型表现更优，AUC-ROC达到0.91，准确率85.0%，灵敏度84.6%，特异性85.7%。测试集性能略优于训练集可能与小样本的波动性有关，两者的置信区间存在重叠。为了增强模型的可解释性，研究人员进行了SHAP分析。结果显示，对分类贡献最大的特征是蓝色光谱区域的总强度(Blue_SUM)，其次是绿色区域总强度(Green_SUM)和年龄。这与之前发现的AD相关视网膜病变主要影响短波长的结论一致。其他子区域的光谱强度总和也有一定贡献，而既往眼部手术史等特征的影响较小，表明该成像方法对此类混杂因素具有较好的稳健性。
讨论与结论
本研究成功开发并验证了一种新型三光谱视网膜成像模块，它能够通过优化商业眼底相机，非侵入性地捕获视网膜在三个特定光谱波段（蓝、绿、红）的反射图像。临床病例对照研究证实，该技术能够检测到AD患者与健康对照之间，特别是在视网膜鼻侧区域（视盘与黄斑之间）的蓝绿强度比(B/G ratio)存在显著差异。利用从该区域提取的原始光谱强度等特征构建的XGBoost分类模型，在独立测试集上取得了高达0.91的AUC，显著提升了AD的诊断能力。通过可解释AI方法SHAP分析进一步确认，蓝色光谱强度是区分AD最重要的特征，这与已知的Aβ聚集会增加瑞利散射从而影响蓝色光谱的物理学机制相符，也与既往利用高光谱成像在离体人视网膜和AD转基因模型中的研究发现相互印证。
该研究的重要意义在于其高度的临床转化潜力。首先，该方法非侵入、无标记，且模块设计使其能轻松整合到广泛使用的眼底检查设备中，利用了常规眼科检查的现有工作流，非常适合大规模人群筛查。其次，与依赖复杂“黑箱”深度学习模型分析常规眼底照片的方法相比，本研究通过硬件层面的光谱优化直接获得了可解释的诊断信号（如B/G比值），并结合可解释的机器学习模型（XGBoost+SHAP）提供直接诊断输出，有助于增强临床医生的信任度。最后，与近红外成像的金标准光学相干断层扫描术(OCT)相比，本方法专注于可见光范围（尤其是短波长），对Aβ聚集等早期生化改变可能更敏感，未来有望与OCT技术互补，提供更全面的视网膜AD生物标志物信息。
总之，这项研究为AD的早期检测提供了一种极具前景的新途径。其非侵入性、易整合性、成本效益以及结合可解释机器学习模型的特点，有望推动AD筛查策略的革新，为及时干预和改善患者预后打开新的窗口。未来的研究需要在更大队列中进一步验证，并探索与其它生物标志物的整合，以及通过自动化定位解剖标志点来优化工作流程。
