基于人工智能自动测量的定量视网膜微血管特征和认知功能之间的关系

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 认知障碍影响全球数百万人,早期发现对干预至关重要.
• 视网膜血管结构可能反映了脑血管健康状况,为认知状态提供了潜在的窗口.

研究的目的:

• 研究视网膜血管形态参数与认知功能之间的关系.
• 利用人工智能进行视网膜血管系统的自动定量测量.

主要方法:

• 一个深度学习模型 (ResNet101-UNet) 用于在 fundus 照片上的视网膜血管自动细分.
• 视网膜血管参数 (分支角度,碎形尺寸,直径,扭曲度,密度) 在3107名参与者 (年龄在50-93岁) 中测量.
• 认知功能被评估使用迷你精神状态检查 (MMSE).

主要成果:

• 轻度认知障碍与较大的静脉直径和较小的血管碎片尺寸和密度有关.
• 严重的认知障碍与轻微的认知障碍相比,显示了动脉小关与静脉小关的比率和血管碎形尺寸的减少.
• 在多变量分析中,更高的MMSE得分与更高的视网膜血管碎片尺寸和密度相关.

结论:

• 人工智能驱动的视网膜血管结构分析揭示了与认知障碍的显著相关性.
• 视网膜血管碎片尺寸和密度的减少是早期认知障碍检测的潜在生物标志物.
• 视网膜动脉与静脉的比率可能表明认知能力下降的后期阶段.