《Photodiagnosis and Photodynamic Therapy》：Explainable Multimodal Retinal Optical Imaging for Clinical Parkinson’s Disease Classification Using Fundus Photography and OCT-Derived Features
编辑推荐：
背景：视网膜光学成像为神经退行性疾病的无创光诊断提供了一个窗口。研究人员评估了双侧眼底照片、光学相干断层扫描(OCT)衍生的定量视网膜特征以及防泄漏结构化变量是否支持受试者层面的帕金森病(PD)分类。方法：研究获取了马什哈德医科大学波斯队列的去标识化双侧眼底照
背景：视网膜光学成像为神经退行性疾病的无创光诊断提供了一个窗口。研究人员评估了双侧眼底照片、光学相干断层扫描(OCT)衍生的定量视网膜特征以及防泄漏结构化变量是否支持受试者层面的帕金森病(PD)分类。方法：研究获取了马什哈德医科大学波斯队列的去标识化双侧眼底照片、OCT衍生的定量视网膜特征和结构化表格数据。在建模前，从所有预测输入中排除了诊断、用药状态、统一帕金森病评定量表(UPDRS)总分及所有UPDRS项目/严重程度相关变量。研究人员评估了三个受试者层面分支：仅表格分支、仅图像暹罗(Siamese) EfficientNetV2-B1分支以及眼底加表格特征线性调制(FiLM)融合分支。评估采用了受试者层面划分、折叠外校准、冻结阈值，以及额外的打乱条件控制和图像消融控制来评估FiLM通路。结果：在分支特异性留出评估中，防泄漏仅表格分支实现了ROC-AUC=0.728和PR-AUC=0.194，仅图像眼底分支实现了ROC-AUC=0.826和PR-AUC=0.527，而眼底加表格FiLM融合分支实现了ROC-AUC=0.845和PR-AUC=0.702，校准Brier分数=0.030。在冻结融合阈值(0.143)下，敏感性为0.795，特异性为0.800。打乱条件和图像消融/FiLM仅控制降低了性能（ROC-AUC分别为0.781和0.612），支持了其对齐图像上下文整合的依赖性。结论：在该单中心病例对照队列中，双侧眼底图像、OCT衍生的定量视网膜特征和防泄漏结构化表格变量支持了受试者层面的PD分类。这些发现应被解释为初步的分类结果，而非前瞻性风险分层，在临床转化前需要进行年龄控制、外部验证的评估。
基于视网膜光学成像的帕金森病多模态AI分类研究解读
研究背景与意义
帕金森病(PD)作为全球第二大神经退行性疾病，给患者及社会带来了沉重的经济负担。当前，临床面临的核心痛点在于：当患者出现典型的运动症状时，脑内多巴胺能神经元往往已发生不可逆的大量死亡。尽管磁共振成像(MRI)、正电子发射断层扫描(PET)及多巴胺转运体单光子发射计算机断层扫描(DAT-SPECT)等神经影像技术能提供辅助信息，但这些手段常受限于高昂成本、设备可及性低、核医学辐射暴露以及对专业影像解读的高度依赖。因此，开发一种经济高效且非侵入性的客观生物标志物成为迫切需求。视网膜作为中枢神经系统的延伸，在胚胎学起源、微血管结构和血-神经屏障方面与大脑高度相似。近年来，高分辨率眼底照相和光谱域光学相干断层扫描(OCT)技术的发展，使得定量分析视网膜神经纤维层(RNFL)厚度、神经节细胞-内丛状层(GC-IPL)体积及黄斑完整性成为可能。已有证据表明，PD患者的视网膜参数存在显著改变，这为通过视网膜光学成像进行PD分类提供了坚实的理论依据。然而，现有的相关研究往往受限于样本量较小、成像协议异质性大以及缺乏标准化的分析框架，尤其是深度卷积神经网络(CNN)在PD检测中的应用仍处于起步阶段，且多局限于单模态设计，忽略了互补的临床信息。此外，深度学习模型的“黑盒”特性也阻碍了其临床转化。为此，研究人员开展了此项名为“Sight & Insights”的研究，旨在构建一个防泄漏的、基于眼底的多模态深度学习框架，以实现PD的跨 sectional 分类，并结合可解释人工智能(XAI)技术揭示模型决策机制。该研究发表于《Photodiagnosis and Photodynamic Therapy》。
关键技术方法
本研究采用回顾性病例对照设计，样本来源于马什哈德医科大学波斯队列中心及神经内科诊所。研究对象包含确诊为早期至中期PD的患者以及健康对照者(HC)。在纳入过程中，严格排除了非典型帕金森综合征及其他可能影响视网膜评估的神经退行性疾病患者。数据处理方面，研究人员实施了严格的防泄漏策略，在建模前彻底移除了诊断标签、用药状态及统一帕金森病评定量表(UPDRS)等诊断邻近变量。模型架构包含三个核心分支：仅表格分支采用残差多层感知机(MLP)、令牌自注意力模块和一维CNN的集成模型；仅图像分支采用基于Siamese权重的EfficientNetV2-B1架构处理双侧眼底照片；多模态融合分支则引入了特征线性调制(FiLM)机制，利用表格数据的潜向量生成缩放和平移参数来调制图像交互张量。评估环节，研究采用了受试者层面划分、重叠加权(OW)以平衡年龄性别差异、等压回归校准以及冻结阈值策略，并通过打乱条件控制和图像消融控制实验验证了融合机制的有效性。可解释性分析结合了梯度加权类激活映射(Grad-CAM++)、血管叠加可视化、局部可解释模型无关解释(LIME)以及SHapley加性解释(SHAP)等技术。
研究结果
3.1 队列与评估集
分析保留了病例对照设计并进行受试者层面评估。PD参与者平均年龄高于对照组（PD: 58.5 ± 11.5岁；HC: 44.5 ± 8.9岁）。用于图像、融合及控制实验的共享留出队列包含234名参与者（195名HC，39名PD）。
3.2 仅表格分支
防泄漏仅表格分支在可用的仅表格留出集（N=391；355名HC，36名PD）上进行评估。该分支实现了ROC-AUC=0.728和PR-AUC=0.194。在校准后，Brier评分从0.148降低至0.081，表明概率质量得到改善。
3.3 仅图像眼底分支
仅图像Siamese眼底分支在共享留出队列上取得了ROC-AUC=0.826和PR-AUC=0.527。在0.112的冻结阈值下，敏感性为0.718，特异性为0.795。校准后的Brier评分为0.104，证明了双侧眼底照片在排除诊断邻近变量后仍保留了受试者层面的判别信号。
3.4 眼底加表格FiLM融合分支
FiLM融合分支在共享留出队列上表现最佳，ROC-AUC达到0.845，PR-AUC达到0.702。在0.143的冻结阈值下，敏感性为0.795，特异性为0.800，准确率为0.799。校准Brier评分低至0.030，表明融合模型在概率校准方面优于单模态分支。
3.5 FiLM控制实验
为了验证表格调节通路是否构成捷径，研究人员进行了控制实验。在打乱条件控制中，随机置换表格向量导致性能降至ROC-AUC=0.781；在图像消融/FiLM仅控制中，移除有效图像内容导致性能进一步降至ROC-AUC=0.612。这证实了正确对齐的视网膜图像信息对于实现完全融合性能是不可或缺的。
3.6 训练动态
融合模型在100个周期的训练中表现出稳定的优化过程。训练损失逐步下降，验证准确率、PR-AUC和ROC-AUC在初始优化阶段后趋于稳定，未出现严重的过拟合迹象。
3.7 可解释性与特征贡献
图像层面的可解释性显示，模型主要关注视盘、乳头周围区域、黄斑/黄斑周围区域以及颞侧血管弓。结构化特征分析中，SHAP归因显示最重要的参数是OCT衍生的结构指标，如平均黄斑神经节细胞内丛状层(GCC)厚度、下方象限RNFL厚度、视盘周围RNFL厚度、黄斑体积和视神经头杯盘比。通过块级置换分析证实，OCT消融导致的性能下降最大，而实验室变量在保留OCT特征时提供的增量信号有限。
讨论与结论总结
讨论
研究人员指出，排除诊断邻近变量对于防止模型走捷径至关重要。仅图像分支的成功支持了眼底图像中包含与PD相关的判别信息。FiLM融合模型通过整合多模态数据，显著提升了PR-AUC和校准度。控制实验有力地证明了融合模型并非单纯依赖表格调节通路，而是真正利用了视网膜图像的视觉特征。结合既往文献，本研究中观察到的乳头周围/黄斑区域重点以及视盘几何信号变化，与PD队列中报告的神经轴突丧失和重塑现象具有生物学一致性。在临床应用潜力方面，研究人员强调，虽然标准ROC-AUC在不平衡数据集中可能过于乐观，但PR-AUC更能反映模型对少数阳性类别的关注。该多模态管道旨在作为一种非侵入性的一线分诊工具，优先安排疑似患者进行全面的神经学评估，而非用于确诊或排除非典型帕金森综合征。可解释性分析不仅揭示了模型的决策区域，还暴露了潜在的错误模式（如对光照梯度的关注），这有助于未来的模型审计和优化。尽管本研究在防泄漏设计和多模态融合方面表现出色，但仍存在局限性，主要包括PD组与HC组之间的年龄差异带来的残留混杂可能性、单中心回顾性研究的性质以及缺乏外部验证。未来的研究应侧重于前瞻性多中心验证、年龄匹配分析以及引入自监督预训练以提高模型的鲁棒性。
结论
该单中心病例对照研究支持了结合双侧眼底照片、OCT衍生的定量视网膜特征和防泄漏结构化表格变量进行可解释受试者层面PD分类的可行性。
