综述：视网膜成像与人工智能在神经退行性疾病诊断技术的系统评价和荟萃分析

这篇综述系统评价了人工智能（AI）辅助视网膜成像技术（OCT/OCTA/眼底照相）在阿尔茨海默病（AD）和帕金森病（PD）早期诊断中的价值，通过荟萃分析10项研究（496例患者和36,990例对照）发现其总体AUC达0.73（95%CI 0.69-0.77），证实视网膜可作为中枢神经系统病理的"窗口"，但需标准化成像协议和前瞻性验证。

　　

视网膜成像与人工智能：神经退行性疾病诊断的新范式

背景

随着全球老龄化加剧，阿尔茨海默病（AD）和帕金森病（PD）等神经退行性疾病的早期诊断面临重大挑战。传统神经影像学检查如PET和MRI虽具诊断价值，但存在成本高、侵入性强等局限。视网膜作为中枢神经系统的延伸，其高分辨率成像技术（如光学相干断层扫描OCT、OCT血管成像OCTA）结合人工智能（AI）算法，为疾病早期筛查提供了新思路。

方法学创新

研究团队通过系统检索6大数据库（2010-2024年），纳入10项符合标准的研究（7项AD、4项PD），采用QUADAS-2工具评估偏倚风险，并运用随机效应模型进行荟萃分析。值得注意的是，所有研究均采用单模态成像，其中OCT模型占比最高（36.6%），而深度学习算法占39%。通过GRADE体系对证据质量进行分级，发现诊断准确性指标存在显著异质性（I2=78%）。

关键发现

1. 1.

   诊断效能：AI模型整体AUC为0.73（AD 0.72，PD 0.70），其中OCT表现最优（AUC 0.76）。以色列团队开发的AdaBoost模型结合红外成像对AD检测达到最高AUC 0.90。

2. 2.

   生物标志物：AD患者主要表现为视网膜神经纤维层（RNFL）变薄（尤其上/下象限）和神经节细胞层（GCL）萎缩；PD患者则特征性表现为浅层毛细血管丛密度降低（OCTA测量）和小血管迂曲度增加。

3. 3.

   算法比较：集成学习方法（如XGBoost、LightGBM）略优于传统算法（AUC 0.74 vs 0.73），但差异无统计学意义（p=0.59）。

临床转化挑战

研究揭示了三大关键瓶颈：

• •

  患者定义异质性：各研究对"早期疾病"的界定标准不一（如AD采用年龄<65岁、MCI或CDR评分）

• •

  技术标准化缺失：不同OCT设备的扫描协议和 segmentation 算法差异影响结果可比性

• •

  共病干扰因素：青光眼、糖尿病视网膜病变等常见老年眼病可能混淆神经退行性改变的判读

未来发展方向

作者提出四维创新路径：

1. 1.

   多模态融合：整合结构成像（OCT）、功能检测（视觉诱发电位VEPs）和分子标志物（如血液Aβ₄₂）

2. 2.

   动态风险评估：开发可解释AI（XAI）框架，实现疾病进展的时序预测

3. 3.

   硬件微型化：探索智能手机兼容的便携式视网膜成像系统

4. 4.

   伦理考量：建立早期诊断带来的心理影响应对机制

结语

这项研究为视网膜AI诊断提供了首个循证医学证据链，尽管现有诊断准确性尚未达到理想临床阈值（AUC>0.8），但其非侵入性、可重复性和成本效益优势显著。随着标准化协议的建立和纵向数据的积累，这种"以眼窥脑"的创新策略有望重塑神经退行性疾病的诊疗范式。