利用深度学习研究精神障碍与眼底成像数据之间的相关性：一项来自英国生物银行的研究

《RETINA》：INVESTIGATING CORRELATIONS BETWEEN MENTAL DISORDERS AND FUNDUS IMAGING DATA USING DEEP LEARNING: A Study From the UK Biobank

本研究采用多模态深度学习方法，基于UK Biobank数据库中1494名参与者的眼底成像及OCT特征，分析视网膜神经纤维层厚度与节细胞-内节层厚度等生物标志物与精神疾病的关联，验证模型在精神障碍自动识别中的潜力，为非侵入性早期检测提供新思路。

　　

摘要简而言之

---

目的：

利用眼底成像数据自动识别心理和行为障碍，并解释精神疾病与眼底生物标志物之间的潜在关联。

方法：

本研究采用基于深度学习的多模态训练方法，主要探索眼底成像特征与心理障碍之间的关系。该方法通过使用英国生物银行（UK Biobank）数据库中1,494名参与者的眼底图像和光学相干断层扫描（OCT）测量数据进行了精心训练和评估。这些参与者在2009年12月至2013年6月期间参加了评估中心的检查，期间收集了他们的眼底图像和OCT扫描数据。这些参与者在2013年10月至2021年9月期间被诊断出患有心理障碍。采用5折交叉验证策略选择最佳超参数，然后在整个训练集上训练以获得最佳拟合模型。最终在测试集上对最佳拟合模型进行了测试。

结果：

多模态模型在眼底图像和OCT测量数据上的ROC曲线下面积值为0.8490（95%置信区间[CI]：0.8477–0.8526），灵敏度为0.7702（95% CI：0.7698–0.7785），特异性为0.8552（95% CI：0.8546–0.8564）。当随机森林分类器和线性分类器应用于OCT测量数据时，其ROC曲线下面积分别为0.8121（95% CI：0.8118–0.8126）和0.8094（95% CI：0.7936–0.8102），表明视网膜神经纤维层平均厚度和神经节细胞-内丛层平均厚度与心理障碍之间存在负相关。

结论：

初步结果表明，该方法能够揭示眼底成像与心理障碍之间的关联，为非侵入性早期检测和干预提供了有前景的途径。

本研究利用多模态深度学习方法对眼底成像数据进行分析，以识别心理障碍。