《Cerebral Circulation - Cognition and Behavior》：Deep learning retinal imaging model identifies poor brain health among older adults without dementia
编辑推荐：
本研究针对无痴呆老年人群体内早期阿尔茨海默病(AD)风险识别难题，创新性应用经验证的深度学习模型i-Cog Brain Health分析视网膜图像。研究发现，该模型可有效识别具有较高年龄特征及视网膜静脉分支系数增宽的亚临床风险人群，为AD的早期非侵入性筛查提供了新型生物标志物和社区级筛查工具。
随着全球人口老龄化进程加速，阿尔茨海默病(Alzheimer's Disease, AD)已成为严峻的公共卫生挑战。当前临床诊断多依赖于认知评估和昂贵的神经影像学检查（如淀粉样蛋白PET），但这些方法往往在疾病已出现明显症状时才能确诊，错过了最佳的干预期。更棘手的是，大脑深处的微小血管病变——脑小血管病(Cerebral Small Vessel Disease, SVD)——作为AD的重要共病病理，在常规磁共振成像(MRI)上显现的病灶（如白质高信号）已属晚期改变。能否像观察眼底血管一样，通过一扇“脑窗”提前窥见AD的蛛丝马迹？这正是香港中文大学研究团队在《Cerebral Circulation - Cognition and Behavior》上发表的最新研究试图解答的核心问题。
视网膜作为中枢神经系统的延伸，与大脑共享胚胎起源、解剖结构和生理特性，其血管是体内唯一可直接无创观察的微血管网络。近年来，人工智能技术的突破为视网膜影像分析提供了新范式。研究团队此前已开发出基于视网膜照片的深度学习模型i-Cog Brain Health，能够以高达0.93的受试者工作特征曲线下面积(AUROC)区分AD痴呆患者与认知正常人群。但这一工具能否在尚未痴呆的普通老年人中提前识别出大脑健康不佳的个体？本研究给出了肯定答案。
研究人员从BEAT AD（脑健康评估与阿尔茨海默病预防定制措施）社区服务计划中招募了185名无痴呆的老年人（平均年龄68.14±5.17岁）。所有参与者均接受标准化认知评估（蒙特利尔认知评估5分钟版MoCA-5和改良AD8痴呆筛查访谈mAD8）、血管风险因素采集，并通过非散瞳视网膜相机采集眼底照片。研究核心是利用i-Cog Brain Health（v1.0）对视网膜照片进行自动化分析，将受试者划分为AD高风险（“阳性”）和低风险（“阴性”）两组，并采用新加坡I血管评估(Singapore I Vessel Assessment, SIVA)软件对视网膜血管参数进行精确量化。
关键技术方法包括：1）基于深度学习模型i-Cog Brain Health的AD风险自动分类；2）使用SIVA软件定量分析视网膜血管参数（血管口径、弯曲度、分形维度和分支特征）；3）针对社区队列（BEAT AD计划招募的60-80岁老年人）的横断面研究设计；4）采用多变量逻辑回归分析校正年龄和平均动脉压等混杂因素。
研究对象特征与i-Cog Brain Health“阳性”群体年龄更大
在185名受试者中，29人（15.68%）被i-Cog Brain Health判定为“阳性”。与“阴性”组相比，“阳性”组受试者年龄显著更大（71.21±5.60岁 vs 67.56±4.90岁，p=0.001），男性比例更高（51.72% vs 29.49%）。两组在MoCA-5总分、脑健康评分及高血压、糖尿病等血管风险因素方面无显著差异。这表明i-Cog Brain Health可能捕捉到了超越传统认知评估和血管风险因素的、与衰老相关的AD潜在风险信号。
视网膜血管特征与i-Cog Brain Health“阳性”相关
视网膜血管定量分析揭示了一个关键发现：与“阴性”组相比，“阳性”组的静脉分支系数显著增高（1.49±0.35 vs 1.32±0.26，p=0.008），效应量科恩D值达0.615。静脉分支系数反映了血管分叉处子血管总横截面积与母血管横截面积的比值，值越大表明静脉分支处的血管宽度增加越明显。在调整年龄和平均动脉压后，逻辑回归分析显示静脉分支系数仍是AD高风险的重要预测因子（优势比1.54，95%置信区间：1.05-2.27，p=0.027）。而其他视网膜血管参数（如动脉分支系数、血管弯曲度、分形维度等）均未显示显著组间差异。
研究结论与意义
本研究证实，基于视网膜影像的深度学习工具i-Cog Brain Health能够在无痴呆的社区老年人中识别出大脑健康状态不佳的个体。这些被标识为“阳性”的个体表现出两个典型特征： chronological年龄更大和视网膜静脉分支宽度增加。年龄是AD的明确风险因素，而更宽的静脉分支宽度此前已被发现与糖尿病视网膜病变进展和痴呆风险升高相关。这表明i-Cog Brain Health捕捉到的视网膜特征可能与AD的早期病理生理过程存在关联。
值得注意的是，与主要影响血管的亚皮质血管性认知障碍(Subcortical Vascular Cognitive Impairment, SVCI)不同，AD主导的病理变化可能不引起视网膜血管复杂度、弯曲度等宏观参数的广泛改变，这与Jung等2019年报道的淀粉样蛋白阳性AD患者视网膜血管改变模式一致。i-Cog Brain Health的优势在于其能够整合多维度视网膜特征（包括可能难以肉眼识别的细微模式），实现对AD风险的敏感识别。
在实践层面，相较于PET、MRI等昂贵且可及性低的神经影像，或需要血液样本处理的血浆p-tau217等生物标志物，i-Cog Brain Health仅需视网膜照片即可在几分钟内生成风险评估，成本低、操作简便，有望成为社区初级保健场景下AD风险分层的一线筛查工具。特别是随着手持式眼底相机和智能手机视网膜成像技术的发展，这种筛查模式的普及性将进一步提高。
研究的局限性包括样本量相对较小、缺乏淀粉样蛋白和tau病理的直接生物标志物验证、以及缺少MRI评估SVD神经影像标志物的数据。未来需要通过更大规模的纵向研究验证i-Cog Brain Health对认知下降和AD转化的预测效能。
综上所述，这项研究为AD的早期识别提供了创新性解决方案。通过视网膜这扇“脑窗”，i-Cog Brain Health能够非侵入性地评估个体的大脑健康状态，识别具有AD风险的亚临床人群。这种基于人工智能的视网膜影像分析工具，不仅为AD的早期干预提供了时间窗口，也为在社区层面实施大规模脑健康筛查奠定了技术基础，有望在未来阿尔茨海默病的防治体系中发挥重要作用。
