一项突破性研究揭示了利用常规眼底照片和人工智能预测阿尔茨海默病风险的新方法，为这种毁灭性神经退行性疾病的早期筛查开辟了廉价、非侵入性的新途径。该研究由佛罗里达大学生物医学工程教授Ruogu Fang博士领导，于6月16日发表在《阿尔茨海默病杂志》（Journal of Alzheimer's Disease）上。

视网膜：窥探大脑健康的“窗口”

“我们已知阿尔茨海默病的发展跨越数十年，但大多数诊断工具聚焦于晚期病理阶段，此时干预已为时过晚。”Fang博士强调，“通过探索新型生物标志物，如视网膜健康，我们为识别高风险患者、提供适当检测并鼓励其发展健康生活方式以减轻风险创造了新机遇。”研究团队利用英国生物银行（UK Biobank）中超过4万名患者的62,876张彩色眼底照片，训练深度学习模型预测12种与阿尔茨海默病病理或发病率相关的因素，包括6个分类变量（性别、吸烟、失眠、经济状况、饮酒、抑郁）和6个连续变量（年龄、受教育年龄、体重指数、收缩压、舒张压、糖化血红蛋白）。

视网膜在发育和解剖学上是中枢神经系统的直接延伸——在胚胎发育过程中，它实际上是大脑组织被推入眼球的产物。由于共享相同的胚胎起源，眼底的血管和神经纤维镜像了颅内的微血管和神经通路。系统性炎症、睡眠不佳或血管疾病造成的损伤会显现在视网膜精细结构中，使其成为大脑隐藏状态的可见代理。佛罗里达大学博士生、论文第一作者Seowung Leem表示：“借助人工智能，我们现在能够识别出数千名受试者中以前被忽视的细微视网膜变异，这些变异可能作为未来疾病风险的可靠指标。”

超越自我报告的客观风险映射

该AI模型在预测生物学特征（如性别、血压）和与阿尔茨海默病相关的生活方式因素（如吸烟、饮酒甚至失眠）方面表现出色。对于分类变量，模型的AUROC值在0.5654至0.9480之间；对于连续变量，R²值在-0.0291至0.7620之间，性能优于大多数基于形态测量的机器学习模型。传统医疗记录严重依赖患者自我报告的生活方式风险因素（如饮酒量、吸烟习惯或失眠程度），这些数据往往不准确或被患者低估。更重要的是，病历无法显示特定生活方式造成的实际损伤。而AI模型读取的是这些习惯在数十年间对眼组织造成的物理性、累积性损伤，将简单的照片转化为反映实时神经血管脆弱性的客观生物传感器。

Fang博士强调：“视网膜形态学可以提供神经血管完整性的可测量指标，这与阿尔茨海默病易感性高度相关。从这个意义上说，视网膜成像的功能更像是一个整合的生物传感器，而非替代性的问卷调查。”研究团队的显著性分析一致地突出了生物学上有意义的区域，特别是视神经头和视网膜血管系统，这些区域与现有的形态测量变异相吻合。值得注意的是，几个基于显著性的评分在阿尔茨海默病发病前平均8.55年的病例与匹配对照组之间存在显著差异，提示阿尔茨海默病风险因素的视网膜关联与临床前阿尔茨海默病相关变化之间存在潜在重叠。

从被动治疗到主动预防的范式转变

Fang团队此前已证实视网膜照片可以检测活动性阿尔茨海默病病例。但科学家现在认为该疾病会持续发展多年甚至数十年。因此，识别早期风险因素可以更好地筛选出可能对早期干预（包括保护性生活方式改变、某些药物甚至大脑训练）产生反应的患者，在不可逆的脑损伤发生之前采取行动。由于脑损伤需要数十年才能临床表现出来，早期发现将时间线从反应性治疗转变为主动预防。当大脑仍具有高度可塑性时，早期识别允许患者实施保护性生活方式改变，包括积极的心血管管理、专门的脑训练方案、严格的睡眠疗法以改善毒素清除，以及可能启动在广泛神经死亡发生前更有效的早期治疗药物。

与成本高昂的MRI或PET扫描不同，视网膜摄影已在常规眼科检查、糖尿病筛查和青光眼检查中广泛开展。这种近乎普遍的可及性使得分析视网膜照片变得简单且低成本。该研究得到了美国国家科学基金会的部分支持。