近年来，全球老龄化人口越来越多，眼底病与认知障碍的患病率显著上升，已经逐渐成为全球重大的健康挑战。
近日，由首都医科大学附属北京同仁医院魏文斌教授团队与鹰瞳Airdoc合作的两篇研究成果，分别发表于国际权威期刊《Translational Vision Science & Technology》和《Ophthalmology Retina》。科学家们尝试以视网膜为入口，探索了人工智能技术在眼底疾病筛查和认知障碍识别中的应用。
该项由首都医科大学附属北京同仁医院、爱康国宾健康体检公司和鹰瞳Airdoc等共同参与的真实世界、多中心研究成果证实：「人工智能技术高效、便捷，有助于今后进行大规模眼底疾病筛查。基于人工智能技术获得分年龄、性别、地域的主要眼底疾病发病率及变化情况，可帮助区域内制定相关健康政策及开展相关研究。」
在另一项研究中，研究团队成功开发并验证了「基于多模态眼底图像的深度学习模型，可快速、便捷、高效地识别认知障碍患者，具有在社区筛查或临床环境中广泛应用的潜力。」
《TVST》：
眼底疾病眼底图像辅助诊断系统，可作为大模型筛查眼底疾病的潜在工具
随着人口老龄化、经济发展和生活方式改变，眼底疾病谱显著改变。然而，传统流行病学调查耗时长、经济成本高，难以完成多中心、快速、准确的大流量眼底病筛查来反映我国眼底疾病谱的快速变化。因此，研究团队应用眼底图像眼底疾病AI辅助诊断系统，在全国开展多中心眼底疾病筛查工作，希望揭示不同年龄、性别、地域的常见眼底疾病发病率及变化趋势。
研究团队收集了来自全国65个爱康医学体检中心在2019年至2021年期间的近1,904,927名体检者的眼底图像，涵盖了17个省、自治区、直辖市。在经采集人员质控脱敏后，图像上传至鹰瞳Airdoc眼底疾病辅助诊断系统完成了眼底疾病AI筛查，最后根据第七次人口普查结果，校正了标准年龄和性别后计算出各类眼底疾病的患病率。研究发现，可疑青光眼、黄斑前膜、年龄相关黄斑变性、糖尿病视网膜病变是人群中患病率较高的眼底疾病。眼底疾病患病率与年龄呈较强的正相关，65岁以上人群中，超过30%存在一种及以上眼底疾病。眼底疾病患病率呈现一定性别差异，其中病理性近视、黄斑裂孔女性患病率高于男性。视网膜静脉阻塞、高血压视网膜病变患病率存在地域分布差异，呈现显著的“西北高、东南低”特征。
此外，研究结果显示2019-2021眼底疾病谱变化情况: 视网膜静脉阻塞、黄斑裂孔、高血压视网膜病变的患病率在2019-2021年间有所增加。且视网膜静脉阻塞、高血压视网膜病变在50岁以下的中青年人群增长更为显著；而黄斑裂孔以65岁以上人群增长更为显著。35岁以下年轻人群的糖网患病率显著提高，这可能与糖尿病患病低龄化密切相关。
该研究展示了眼底人工智能分析技术在全国范围内筛查眼底疾病的潜力，提供了有关不同年龄、性别和地区群体患病情况的重要数据。这些数据对于制定公共卫生策略和资源分配具有重要意义。
《Ophthalmology Retina》：
首次利用基于多模态眼底图像的深度学习模型识别认知障碍患者
认知障碍是因为各种原因导致的不同程度的认知功能损害，涉及定向力、记忆力、语言功能、执行功能等一个或多个认知域，可以不同程度影响患者的社会功能和生活质量，严重的认知障碍即痴呆。进行认知障碍的早期筛查、早期诊断、早期干预具有重要意义。目前临床常用的认知障碍评估工具包括MMSE简易智力状态检查量表、MoCA认知评估量表等。但这些量表需要专业人员通过问卷形式获得结果，整个评估过程较为耗时（7-10min），在筛查场景下稍显局限。基于此，研究团队旨在探索建立深度模型从眼底图像直接识别认知障碍的可行性。研究团队收集了来自2011年北京眼科研究的数据（包括9,424张眼底照片和4,712张OCT图像），训练并验证了基于眼底照片和OCT图像来评估认知障碍的多模态深度学习模型，研究结果显示，该多模态模型能以高精度识别认知障碍患者，AUC在内部验证集中为0.820，在两个外部验证集中分别为0.786和0.784。生成的热力图显示，多模态模型主要关注眼底照片中视盘周围的信号以及OCT图像中黄斑和视盘区域的信号。
结论指出，视网膜图像和OCT图像可以提供有关认知功能的重要信息，基于这些图像的多模态深度学习模型有望成为社区筛查认知障碍的有效工具。这对于早期筛查发现认知障碍和痴呆具有重要意义，特别是在当前全球老龄化情况下，这一技术的应用价值尤为突出。
“让健康无处不在”是鹰瞳Airdoc的使命，一直以来深耕眼底图像人工智能技术，为医疗健康服务的革新提供新动能。未来希望能够继续携手更多的科研院所，通过医疗AI芯片大模型的赋能，为眼底疾病和慢病的筛查提供更强有力的支持。
近年來，全球老齡化人口越來越多，眼底病與認知障礙的患病率顯著上升，已經逐漸成爲全球重大的健康挑戰。
近日，由首都醫科大學附屬北京同仁醫院魏文斌教授團隊與鷹瞳Airdoc合作的兩篇研究成果，分別發表於國際權威期刊《Translational Vision Science & Technology》和《Ophthalmology Retina》。科學家們嘗試以視網膜爲入口，探索了人工智能技術在眼底疾病篩查和認知障礙識別中的應用。
該項由首都醫科大學附屬北京同仁醫院、愛康國賓健康體檢公司和鷹瞳Airdoc等共同參與的真實世界、多中心研究成果證實：「人工智能技術高效、便捷，有助於今後進行大規模眼底疾病篩查。基於人工智能技術獲得分年齡、性別、地域的主要眼底疾病發病率及變化情況，可幫助區域內製定相關健康政策及開展相關研究。」
在另一項研究中，研究團隊成功開發並驗證了「基於多模態眼底圖像的深度學習模型，可快速、便捷、高效地識別認知障礙患者，具有在社區篩查或臨床環境中廣泛應用的潛力。」
《TVST》：
眼底疾病眼底圖像輔助診斷系統，可作爲大模型篩查眼底疾病的潛在工具
隨着人口老齡化、經濟發展和生活方式改變，眼底疾病譜顯著改變。然而，傳統流行病學調查耗時長、經濟成本高，難以完成多中心、快速、準確的大流量眼底病篩查來反映我國眼底疾病譜的快速變化。因此，研究團隊應用眼底圖像眼底疾病AI輔助診斷系統，在全國開展多中心眼底疾病篩查工作，希望揭示不同年齡、性別、地域的常見眼底疾病發病率及變化趨勢。
研究團隊收集了來自全國65個愛康醫學體檢中心在2019年至2021年期間的近1,904,927名體檢者的眼底圖像，涵蓋了17個省、自治區、直轄市。在經採集人員質控脫敏後，圖像上傳至鷹瞳Airdoc眼底疾病輔助診斷系統完成了眼底疾病AI篩查，最後根據第七次人口普查結果，校正了標準年齡和性別後計算出各類眼底疾病的患病率。研究發現，可疑青光眼、黃斑前膜、年齡相關黃斑變性、糖尿病視網膜病變是人群中患病率較高的眼底疾病。眼底疾病患病率與年齡呈較強的正相關，65歲以上人群中，超過30%存在一種及以上眼底疾病。眼底疾病患病率呈現一定性別差異，其中病理性近視、黃斑裂孔女性患病率高於男性。視網膜靜脈阻塞、高血壓視網膜病變患病率存在地域分佈差異，呈現顯著的“西北高、東南低”特徵。
此外，研究結果顯示2019-2021眼底疾病譜變化情況: 視網膜靜脈阻塞、黃斑裂孔、高血壓視網膜病變的患病率在2019-2021年間有所增加。且視網膜靜脈阻塞、高血壓視網膜病變在50歲以下的中青年人群增長更爲顯著；而黃斑裂孔以65歲以上人群增長更爲顯著。35歲以下年輕人群的糖網患病率顯著提高，這可能與糖尿病患病低齡化密切相關。
該研究展示了眼底人工智能分析技術在全國範圍內篩查眼底疾病的潛力，提供了有關不同年齡、性別和地區群體患病情況的重要數據。這些數據對於制定公共衛生策略和資源分配具有重要意義。
《Ophthalmology Retina》：
首次利用基於多模態眼底圖像的深度學習模型識別認知障礙患者
認知障礙是因爲各種原因導致的不同程度的認知功能損害，涉及定向力、記憶力、語言功能、執行功能等一個或多個認知域，可以不同程度影響患者的社會功能和生活質量，嚴重的認知障礙即癡呆。進行認知障礙的早期篩查、早期診斷、早期干預具有重要意義。目前臨床常用的認知障礙評估工具包括MMSE簡易智力狀態檢查量表、MoCA認知評估量表等。但這些量表需要專業人員通過問卷形式獲得結果，整個評估過程較爲耗時（7-10min），在篩查場景下稍顯侷限。基於此，研究團隊旨在探索建立深度模型從眼底圖像直接識別認知障礙的可行性。研究團隊收集了來自2011年北京眼科研究的數據（包括9,424張眼底照片和4,712張OCT圖像），訓練並驗證了基於眼底照片和OCT圖像來評估認知障礙的多模態深度學習模型，研究結果顯示，該多模態模型能以高精度識別認知障礙患者，AUC在內部驗證集中爲0.820，在兩個外部驗證集中分別爲0.786和0.784。生成的熱力圖顯示，多模態模型主要關注眼底照片中視盤周圍的信號以及OCT圖像中黃斑和視盤區域的信號。
結論指出，視網膜圖像和OCT圖像可以提供有關認知功能的重要信息，基於這些圖像的多模態深度學習模型有望成爲社區篩查認知障礙的有效工具。這對於早期篩查發現認知障礙和癡呆具有重要意義，特別是在當前全球老齡化情況下，這一技術的應用價值尤爲突出。
“讓健康無處不在”是鷹瞳Airdoc的使命，一直以來深耕眼底圖像人工智能技術，爲醫療健康服務的革新提供新動能。未來希望能夠繼續攜手更多的科研院所，通過醫療AI芯片大模型的賦能，爲眼底疾病和慢病的篩查提供更強有力的支持。
