背景
目前尚无阿尔茨海默病（老年痴呆症）的简单筛查模式，部分原因在于该疾病的诊断本身存在一定的复杂性——通常涉及昂贵的、有时是侵入性的检查，常依赖于高度专业化的临床环境。本研究旨在开发一种深度学习算法，可以仅通过使用视网膜照片对该疾病进行诊断，这也是现在检测阿尔茨海默病最常见的非侵入性视网膜成像方法。
方法
在这项回顾性、多中心病例对照研究中，我们收集了来自11项研究中的回顾性数据，这些研究招募了来自不同国家的阿尔茨海默病患者和未患该病的人群。利用这些数据，我们训练、验证并测试了一种深度学习算法，该算法可以通过视网膜照片检测出阿尔茨海默病。本研究的主要目的是开发一个双边模型，仅从视网膜照片来检测阿尔茨海默病。利用六项研究中的视网膜照片，设计并内部验证了双边深度学习模型。使用EfficientNet-b2网络作为模型的骨干，从图像中提取相应特征。每个个体对应四张视网膜照片（双眼以视神经头为中心和以黄斑为中心的视野），根据其中的综合特征开发有监督的深度学习模型，并为网络配备无监督的域适应技术，以解决不同研究之间的数据集差异。使用其他五项研究来测试训练过的模型，其中三项研究使用PET作为显著的β-淀粉样蛋白负担的生物标志物（分别测试β-淀粉样蛋白阳性与β-淀粉样蛋白阴性的深度学习模型）。
结果
使用来自648名阿尔茨海默病患者和3,240名未患该病人群的12,949张视网膜照片，训练、验证和测试深度学习模型。在内部验证数据集中，深度学习模型检测阿尔茨海默病的准确率为83.6%（SD2.5），灵敏度为93.2%（SD2.2），特异性为82.0% （SD3.1），受试者工作特征曲线下面积（AUROC）为0.93（0.01）。在测试数据集中，双边深度学习模型的准确性在79.6%（SD 15.5）到92.1%（11.4）之间，AUROC在0.73（SD 0.24）到0.91（0.10）之间。在有PET数据的数据集中，该模型能够区分β-淀粉样蛋白阳性和β-淀粉样蛋白阴性的受试者：准确性在80.6（SD13.4%）至89.3（13.7%）之间，AUROC在0.68（SD0.24）至0.86（0.16）之间。在亚组分析中，该模型的鉴别性能在眼病患者（准确性为89.6%[SD12.5%]）（与无眼病患者（准确性为71.7%[11.6%]）相比）以及糖尿病患者（准确性为81.9%[SD20.3%]）（与无糖尿病患者（准确性为72.4%[11.7%]）相比）中有所提高。
解释
基于视网膜照片的深度学习算法可以准确地检测出阿尔茨海默病，显示出在社区环境中筛查阿尔茨海默病的潜力。
基金
BrightFocus 基金会。END
