Blog
洞察心智：透過視網膜圖像，AI將能準確指出認知障礙
洞察心智：透過視網膜圖像，AI將能準確指出認知障礙
July 11, 2023
重點摘要：
研究人員已經設計出一種創新的機器學習模型，該模型利用視網膜圖像區分正常認知功能與輕度認知障礙。這個模型代表了一種全新、非侵入性，且成本有效的方法，用來檢測認知退化的早期跡象，這可能導致阿茲海默病。
該模型識別出光學相干斷層掃描與血管攝影(OCT/OCTA)取得的視網膜圖像中的獨特特徵，成功地區分出有輕度認知障礙的個體。這種方法代表著在認知障礙升級為阿茲海默病痴呆之前，對早期檢測認知障礙的重要進步。
關鍵事實：
1. 機器學習模型在利用視網膜圖像和病患數據區分輕度認知障礙與正常認知的個體方面，具有79%的敏感性和83%的特異性。
2. 這項研究代表著視網膜OCT/OCTA圖像首次應用於區分輕度認知障礙者與正常認知者。
3. 杜克健康團隊之前已開發出一個相似的模型，該模型使用視網膜掃描及相關數據來識別已被診斷出阿茲海默病的病患。
來源：杜克大學
由杜克健康研究人員開發的機器學習模型，可以通過眼睛的視網膜圖像來區分正常認知與輕度認知障礙。
該模型分析視網膜圖像和相關數據，並識別特定特徵來識別有輕度認知障礙的個體。
研究人員報告，該模型分析視網膜圖片、影像以及數量化數據，以79%的敏感性和83%的特異性區分正常認知與輕度認知障礙的診斷者。
該模型發表於《眼科科學》期刊，展示了一種非侵入性且價格便宜的方法，能識別可能進展為阿茲海默病的認知障礙的早期跡象。
"這是特別令人興奮的工作，因為我們在先前的模型中無法區分輕度認知障礙與正常認知，"該研究的高級作者，杜克大學眼科和神經科學部門的教授，並且是手術學部門的副教授Sharon Fekrat博士說。
"這項工作讓我們離早期檢測認知障礙，然後進展為阿茲海默病痴呆的目標又更近一步。"
Fekrat和同事先前開發了一個模型，該模型使用視網膜掃描和其他數據成功識別出已知的阿茲海默病患者。這些掃描-基於光學相干斷層掃描（OCT）和OCT血管攝影（OCTA）-在阿茲海默病患者中檢測到神經感覺視網膜及其微血管的結構變化。
該當前研究擴展了這項工作，使用機器學習技術來檢測輕度認知障礙，這通常是阿茲海默病的前驅。
這個新模型識別OCT和OCTA影像中的特定特徵，這些特徵顯示出認知障礙的存在，並與患者的數據（如年齡、性別、視力、受教育年數）以及來自影像本身的數量化數據一起進行分析。
研究人員報告，該模型分析視網膜圖片、影像以及數量化數據，以79%的敏感性和83%的特異性區分正常認知與輕度認知障礙的診斷者。
"這是首個使用視網膜OCT和OCTA影像區分輕度認知障礙者與正常認知者的研究，"共同首席作者，眼科學部門的助理教授C. Ellis Wisely博士說。
"尤其在新的阿茲海默病療法可能上市的情況下，有一種非侵入性且花費較少的方式能夠可靠地識別這些病患變得越來越重要，"Wisely說。
"視網膜是通往大腦的窗口，且機器學習演算法利用非侵入性且成本有效的視網膜成像來評估神經健康，可作為大規模篩選病患的強大工具，"該研究的共同主導作者，杜克大學神經退行性疾病眼部多模態成像實驗室的學生Alexander Richardson說。
除了Fekrat、Wisely和Richardson，研究作者還包括Ricardo Henao、Cason B. Robbins、Justin P. Ma、Dong Wang、Kim G. Johnson、Andy J. Liu和Dilraj S. Grewal。
資金來源：該研究部分得到阿茲海默病藥物發現基金會的支持。
新聞原址： Eye to the Mind: AI Pinpoints Cognitive Impairment via Retinal Images - Neuroscience News
研究人員已經設計出一種創新的機器學習模型，該模型利用視網膜圖像區分正常認知功能與輕度認知障礙。這個模型代表了一種全新、非侵入性，且成本有效的方法，用來檢測認知退化的早期跡象，這可能導致阿茲海默病。
該模型識別出光學相干斷層掃描與血管攝影(OCT/OCTA)取得的視網膜圖像中的獨特特徵，成功地區分出有輕度認知障礙的個體。這種方法代表著在認知障礙升級為阿茲海默病痴呆之前，對早期檢測認知障礙的重要進步。
關鍵事實：
1. 機器學習模型在利用視網膜圖像和病患數據區分輕度認知障礙與正常認知的個體方面，具有79%的敏感性和83%的特異性。
2. 這項研究代表著視網膜OCT/OCTA圖像首次應用於區分輕度認知障礙者與正常認知者。
3. 杜克健康團隊之前已開發出一個相似的模型，該模型使用視網膜掃描及相關數據來識別已被診斷出阿茲海默病的病患。
來源：杜克大學
由杜克健康研究人員開發的機器學習模型，可以通過眼睛的視網膜圖像來區分正常認知與輕度認知障礙。
該模型分析視網膜圖像和相關數據，並識別特定特徵來識別有輕度認知障礙的個體。
研究人員報告，該模型分析視網膜圖片、影像以及數量化數據，以79%的敏感性和83%的特異性區分正常認知與輕度認知障礙的診斷者。
該模型發表於《眼科科學》期刊，展示了一種非侵入性且價格便宜的方法，能識別可能進展為阿茲海默病的認知障礙的早期跡象。
"這是特別令人興奮的工作，因為我們在先前的模型中無法區分輕度認知障礙與正常認知，"該研究的高級作者，杜克大學眼科和神經科學部門的教授，並且是手術學部門的副教授Sharon Fekrat博士說。
"這項工作讓我們離早期檢測認知障礙，然後進展為阿茲海默病痴呆的目標又更近一步。"
Fekrat和同事先前開發了一個模型，該模型使用視網膜掃描和其他數據成功識別出已知的阿茲海默病患者。這些掃描-基於光學相干斷層掃描（OCT）和OCT血管攝影（OCTA）-在阿茲海默病患者中檢測到神經感覺視網膜及其微血管的結構變化。
該當前研究擴展了這項工作，使用機器學習技術來檢測輕度認知障礙，這通常是阿茲海默病的前驅。
這個新模型識別OCT和OCTA影像中的特定特徵，這些特徵顯示出認知障礙的存在，並與患者的數據（如年齡、性別、視力、受教育年數）以及來自影像本身的數量化數據一起進行分析。
研究人員報告，該模型分析視網膜圖片、影像以及數量化數據，以79%的敏感性和83%的特異性區分正常認知與輕度認知障礙的診斷者。
"這是首個使用視網膜OCT和OCTA影像區分輕度認知障礙者與正常認知者的研究，"共同首席作者，眼科學部門的助理教授C. Ellis Wisely博士說。
"尤其在新的阿茲海默病療法可能上市的情況下，有一種非侵入性且花費較少的方式能夠可靠地識別這些病患變得越來越重要，"Wisely說。
"視網膜是通往大腦的窗口，且機器學習演算法利用非侵入性且成本有效的視網膜成像來評估神經健康，可作為大規模篩選病患的強大工具，"該研究的共同主導作者，杜克大學神經退行性疾病眼部多模態成像實驗室的學生Alexander Richardson說。
除了Fekrat、Wisely和Richardson，研究作者還包括Ricardo Henao、Cason B. Robbins、Justin P. Ma、Dong Wang、Kim G. Johnson、Andy J. Liu和Dilraj S. Grewal。
資金來源：該研究部分得到阿茲海默病藥物發現基金會的支持。
新聞原址： Eye to the Mind: AI Pinpoints Cognitive Impairment via Retinal Images - Neuroscience News