Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Alzheimer's Disease: Overview01:26

Alzheimer's Disease: Overview

1.7K
Alzheimer's Disease (AD) is a continually advancing neurodegenerative disorder, distinguished by escalating memory loss, cognitive dysfunction, and dementia. The disease unfolds in three stages: preclinical, mild cognitive impairment (MCI), and dementia. Its onset is insidious, and the progression gradual, with the cause not well explained by other disorders.
The clinical diagnosis of AD hinges on the presence of memory and other cognitive impairments. Biomarkers, such as changes in Aβ...
1.7K
Alzheimer's Disease: Treatment01:22

Alzheimer's Disease: Treatment

1.3K
Alzheimer's Disease (AD), a neurodegenerative disorder, is pathologically identified by amyloid plaques and neurofibrillary tangles composed of tau protein. AD pharmacotherapy aims to manage cognitive symptoms, delay disease progression, and treat behavioral symptoms. The treatment is primarily symptomatic and palliative, with no definitive disease-modifying therapy available. Cholinesterase inhibitors, including donepezil (Aricept), rivastigmine (Exelon), and galantamine (Razadyne), are...
1.3K
Alzheimer Disease l: Introduction01:29

Alzheimer Disease l: Introduction

21
Alzheimer disease is a chronic, progressive, and irreversible neurodegenerative disorder and the most common cause of dementia in older adults. It leads to gradual neuronal loss, causing cognitive decline, behavioral changes, and loss of functional independence.Risk Factors and EtiologyThe disease is multifactorial. Age is the strongest risk factor, with prevalence doubling every 5 years after age 65. Genetic factors include mutations in genes such as APP, PSEN1, and PSEN2, which are associated...
21
Alzheimer Disease ll: Pathophysiology01:23

Alzheimer Disease ll: Pathophysiology

35
Alzheimer disease involves structural changes in the brain that begin long before symptoms appear. The most distinctive features are extracellular neuritic plaques and intracellular neurofibrillary tangles.Neuritic plaques form in the cerebral cortex and around blood vessels. These plaques contain a dense core of beta-amyloid (Aβ)—a toxic protein fragment that clumps outside neurons. The core is surrounded by damaged neuronal extensions, as well as reactive astrocytes and...
35

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Diagnostic Performance of Prespecified OCT Rules for Glaucomatous Optic Neuropathy in Nonpathologic Myopia.

JAMA ophthalmology·2026
Same author

A Graph Neural Network-Based Multispectral-View Learning Model for Diabetic Macular Ischemia Detection From Color Fundus Photographs.

Translational vision science & technology·2026
Same author

An AI-Based OCT System to Detect Diabetic Macular Edema: A Prospective Validation and Noninferiority Randomized Clinical Trial.

JAMA·2026
Same author

Artificial intelligence-based retinal imaging for brain health assessment: a scoping review.

The Lancet. Digital health·2026
Same author

AI-Driven Oculomics-The Brain-Retina Connection.

JAMA ophthalmology·2026
Same author

Corrigendum to "Oculomics and AI: The eye as a biomarker for health span" [Asia-Pac J Ophthalmol 15 (1) (2026) 100282].

Asia-Pacific journal of ophthalmology (Philadelphia, Pa.)·2026

Video Experimental Relacionado

Updated: May 6, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.6K

Un modelo de inteligencia artificial de aprendizaje de conjuntos para la detección de la enfermedad de Alzheimer

An Ran Ran1,2, Xiaoyan Hu1, Herbert Y H Hui1

  • 1Department of Ophthalmology and Visual Sciences, The Chinese University of Hong Kong, Hong Kong SAR, China.

Ophthalmology science
|February 20, 2026
PubMed
Resumen

Este estudio desarrolló un modelo de aprendizaje profundo utilizando escaneos OCT de retina para detectar la demencia por enfermedad de Alzheimer (EA) y la EA temprana. El modelo muestra ser prometedor para la detección oportunista de EA durante los exámenes oculares.

Palabras clave:
Enfermedad de AlzheimerInteligencia artificialAprendizaje de conjuntosOCTDetección oportunista

Más Videos Relacionados

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

2.9K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.5K

Videos de Experimentos Relacionados

Last Updated: May 6, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.6K
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

2.9K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.5K

Área de la Ciencia:

  • Oftalmología
  • Neurología
  • Inteligencia Artificial

Sus antecedentes:

  • El diagnóstico de la enfermedad de Alzheimer (EA) se basa en la evaluación clínica y biomarcadores costosos.
  • La imagen de retina ofrece una ventana no invasiva a los cambios neurodegenerativos asociados con la EA.
  • Los modelos de aprendizaje profundo (DL) muestran potencial para analizar datos complejos de imágenes.

Objetivo del estudio:

  • Desarrollar y validar un modelo DL de conjunto utilizando Tomografía de Coherencia Óptica (OCT) para la detección de demencia por DA y DA temprana.
  • Integrar múltiples entradas derivadas de OCT para un rendimiento diagnóstico mejorado.
  • Evaluar la capacidad del modelo para clasificar el deterioro cognitivo leve (MCI) y la DA con biomarcadores confirmados por PET.

Principales métodos:

  • Un estudio retrospectivo de casos y controles que involucra a participantes con demencia por EA, MCI y controles cognitivamente normales.
  • Desarrollo de dos modelos DL base (ONH y mácula) utilizando diversos datos de imagen OCT.
  • Se creó un modelo de conjunto integrando los modelos base para una clasificación unificada.
  • Se realizó una validación externa utilizando cohortes independientes con estado de beta-amiloide confirmado por PET.

Principales resultados:

  • El modelo de conjunto logró un Área bajo la curva característica operativa del receptor (AUROC) de 0.943 para la detección de demencia por DA en la validación interna.
  • Para la validación externa, el modelo mostró AUROC de 0.786 y 0.795 para la detección de demencia por DA.
  • El modelo logró AUROC de alrededor de 0.79 para la detección de MCI por DA (basado en PET) en cohortes externas.

Conclusiones:

  • El modelo DL de conjunto propuesto detecta eficazmente la demencia por EA y la EA temprana utilizando imágenes OCT.
  • La integración de múltiples modelos DL y entradas OCT mejora la precisión diagnóstica.
  • Este enfoque permite la detección oportunista de EA durante los exámenes oftalmológicos de rutina.