DOI: https://doi.org/10.3389/fpubh.2024.1449798
PMID: https://pubmed.ncbi.nlm.nih.gov/39830185
تاريخ النشر: 2025-01-03
المؤلف: Hao Jiang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتطلب الزيادة في انتشار مرض الزهايمر (AD) أساليب تشخيصية مبتكرة تتجاوز التقييمات النفسية العصبية التقليدية وتصوير الرنين المغناطيسي للدماغ. تقدم هذه الدراسة طريقة جديدة للكشف المبكر عن مرض الزهايمر من خلال تقسيم الأوعية الشبكية باستخدام إطار تعلم عميق يعرف باسم ReIU، الذي يجمع بين بنية U-Net مع تعلم التسجيل التكراري. أظهرت الطريقة دقة تقسيم بلغت 79.1% على مجموعة بيانات DRIVE و68.3% على مجموعة بيانات HRF. من خلال الاستفادة من مجموعة بيانات متعددة الوسائط من الأفراد الأصحاء ومرضى الزهايمر، نجح ReIU في استخراج كثافة الأوعية من صور قاع العين، محققًا دقة تصنيف بلغت 79% لفحص مرض الزهايمر الأولي. تسلط هذه النتائج الضوء على إمكانيات ReIU كأداة فعالة من حيث التكلفة وغير جراحية للكشف المبكر عن مرض الزهايمر، مما يبرز أهمية دمج البيانات متعددة الوسائط وتقنيات التعلم العميق المتقدمة.
في الختام، تتناول الدراسة الحاجة الملحة إلى طريقة فحص أولية سريعة ودقيقة لمرض الزهايمر. يستخدم ReIU بفعالية مجموعات بيانات غير متجانسة متعددة المصادر لتصنيف البيانات المتعلقة بمرض الزهايمر واستخراج كثافة الأوعية الشبكية، والتي قد تعمل كعلامات حيوية قيمة للفحص. ومع ذلك، لا تزال هناك تحديات، بما في ذلك نقص الميزات المرضية المميزة في صور الشبكية وصعوبة الحصول على تسميات لصور الشبكية ذات المجال الواسع للغاية. ستركز الأبحاث المستقبلية على التغلب على هذه القيود لتعزيز دقة وموثوقية طرق الكشف عن مرض الزهايمر.
مقدمة
تسلط مقدمة تقرير مرض الزهايمر العالمي 2023 الضوء على قضية حرجة: حوالي 75% من حالات الخرف العالمية لا تزال غير مكتشفة، مع توقعات تشير إلى أكثر من 80 مليون حالة بحلول عام 2030. تؤكد هذه الحالة على الحاجة الملحة لأساليب تشخيصية فعالة، لا سيما في تحديد العلامات الحيوية المهمة لمرض الزهايمر (AD). يناقش التقرير مجموعة متنوعة من العلامات الحيوية، بما في ذلك السائل الدماغي الشوكي (CSF) وعلامات الدم المحيطية، التي تظهر دقة تشخيصية عالية، خاصة خلال مرحلة ضعف الإدراك المعتدل (MCI). تظهر العلامات الحيوية الرئيسية في السائل الدماغي الشوكي مثل Aβ42، وبروتين التاو الكلي (t-tau)، وبروتين التاو الفسفوري (p-tau) معدلات حساسية ونوعية تتراوح بين 85-90%. كما يتم استكشاف تقنيات التصوير، بما في ذلك تصوير الأميلويد PET والتصوير بالرنين المغناطيسي الوظيفي، كأدوات تشخيصية واعدة، على الرغم من أن تكاليفها العالية تحد من استخدامها على نطاق واسع.
تشير الأبحاث الناشئة إلى أن تقنيات تصوير الشبكية، مثل التصوير المقطعي البصري (OCT)، قد توفر بديلاً أقل تدخلاً وفعالاً من حيث التكلفة للكشف المبكر عن مرض الزهايمر. تم ربط التغيرات في الأوعية الدموية الشبكية بمرض الزهايمر، وتعمل التقدمات في الذكاء الاصطناعي (AI) على تعزيز تحليل هذه التغيرات. تهدف الدراسة المقترحة إلى تطوير طريقة آلية عالية الدقة لتقسيم الأوعية الشبكية، تربط كثافة الشعيرات الدموية بشدة مرض الزهايمر. يحدد البحث هيكله، موضحًا الخوارزمية ومجموعة البيانات في القسم 2، وإعداد التجارب في القسم 3، والتحليل الإضافي في القسم 4، والملاحظات الختامية في القسم 5.
طرق
تحدد الورقة البحثية خوارزمية ذات مكونين مصممة لتقسيم الأوعية والفحص الأولي المتعلق بمرض الزهايمر (AD). يستخدم المكون الأول بنية U-Net للتعلم تحت الإشراف لتقسيم الأوعية الشبكية بدقة من صور قاع العين التقليدية. يتم تكملته بنهج التسجيل والتعلم متعدد الوسائط التكراري (IRL) تحت التعلم الضعيف الإشراف، الذي يدمج الميزات من كل من صور تصوير قاع العين وتصوير الأوعية بالفلوريسين. يسمح هذا الجمع بالتقاط خصائص الأوعية على مقاييس متعددة، مما يعزز دقة كثافة الأوعية المستخرجة.
يركز المكون الثاني من الخوارزمية على تطوير نموذج فحص أولي يعتمد على كثافة الأوعية المقسمة. يستكشف الباحثون العلاقة بين كثافة الأوعية الشبكية ومرض الزهايمر، ثم يدمجون مؤشرات طبية متنوعة لإنشاء نموذج تعلم عميق يهدف إلى مساعدة الأطباء في تشخيص المرض. تم استخدام أجهزة Tesla V100 في تنفيذ تقسيم الأوعية، بينما تم تنفيذ مهام التصنيف على RTX 3060، مع كتابة الخوارزمية بالكامل بلغة بايثون.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تجاربهم التي تهدف إلى تقييم فعالية إطارهم المقترح لتحليل صور قاع العين الشبكية. استخدموا كل من صور قاع العين التقليدية مفتوحة المصدر ومجموعة بيانات متعددة الوسائط لتقييم أداء المكونات المختلفة داخل خط أنابيبهم، بما في ذلك نموذج U-Net المدرب مسبقًا والمعدل، وعملية التسجيل التكراري والتعلم الضعيف الإشراف (IRL)، وReIU. استخدمت التقييمات كل من المقاييس الكمية والتحليلات النوعية لقياس دقة التقسيم والموثوقية، مما يضمن تقييمًا شاملاً لقدرات النموذج في التطبيقات السريرية الواقعية.
بالإضافة إلى ذلك، قام المؤلفون بالتحقق من صحة علامة كثافة الأوعية المستخرجة من خلال نماذج الفحص الأولي عبر إعدادات بيانات مختلفة، مما يشير إلى أن كثافة الأوعية قد تعمل كعلامة حيوية غير جراحية واعدة للمساعدة في فحص مرضى الزهايمر (AD). يختتم القسم بتقديم مجموعة البيانات المستخدمة في تجاربهم، مما يمهد الطريق لمناقشة مفصلة للنتائج.
مناقشة
في قسم المناقشة، تفحص الدراسة العلاقة بين كثافة الأوعية الشبكية وشدة مرض الزهايمر (AD). بينما أشارت الأبحاث السابقة إلى وجود اختلافات ملحوظة في كثافة الأوعية الشبكية بين الأفراد الأصحاء ومرضى الزهايمر، تكشف النتائج الحالية عن عدم وجود ارتباط كبير بين كثافة الأوعية الشبكية ودرجات اختبار الحالة العقلية المصغرة (MMSE)، الذي يقيم الوظيفة الإدراكية. تم تصنيف المشاركين بناءً على درجات MMSE إلى أربع مجموعات تعكس شدة أعراض مرض الزهايمر المتنوعة. تشير النتائج إلى أنه على الرغم من أن كثافة الأوعية الشبكية عمومًا أقل لدى مرضى الزهايمر مقارنة بالضوابط الصحية، إلا أنها لا تشير بشكل موثوق إلى شدة المرض. وهذا يشير إلى أنه بينما قد تعمل كثافة الأوعية الشبكية كعلامة حيوية محتملة للفحص الأولي، يجب استخدامها جنبًا إلى جنب مع التقييمات الطبية المهنية.
تسلط الدراسة أيضًا الضوء على فعالية نموذج ReIU المقترح في تقسيم الأوعية الشبكية من صور قاع العين، على الرغم من التحديات في الحصول على تسميات الحقيقة الأرضية لصور المجال الواسع للغاية. تظهر قدرة النموذج على استخراج علامات كثافة الأوعية الحيوية وعدًا في تعزيز طرق الفحص الأولي لمرض الزهايمر، محققة دقة تبلغ 79%. ومع ذلك، يعترف المؤلفون بالقيود في تمييز الميزات المرضية في صور الشبكية والحاجة إلى مزيد من البحث لتطوير أدوات تشخيصية أكثر موثوقية. بشكل عام، يظهر دمج كثافة الأوعية في خوارزميات التصنيف إمكانيات لتحسين التمييز بين مرضى الزهايمر والأفراد الأصحاء، داعيًا إلى تضمينها في النماذج التنبؤية للتقييمات الطبية.
DOI: https://doi.org/10.3389/fpubh.2024.1449798
PMID: https://pubmed.ncbi.nlm.nih.gov/39830185
Publication Date: 2025-01-03
Author(s): Hao Jiang et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The rising prevalence of Alzheimer’s disease (AD) necessitates innovative diagnostic approaches beyond traditional neuropsychological assessments and brain MRIs. This study presents a novel method for early AD detection through retinal vessel segmentation using a deep learning framework known as ReIU, which combines U-Net architecture with iterative registration learning. The method demonstrated segmentation accuracies of 79.1% on the DRIVE dataset and 68.3% on the HRF dataset. By leveraging a multimodal dataset of healthy and AD subjects, ReIU successfully extracted vascular density from fundus images, achieving a classification accuracy of 79% for primary AD screening. These findings highlight ReIU’s potential as a cost-effective, non-invasive tool for early AD detection, emphasizing the importance of integrating multi-modal data and advanced deep learning techniques.
In conclusion, the study addresses the urgent need for a rapid and precise preliminary screening method for Alzheimer’s disease. ReIU effectively utilizes multi-source heterogeneous datasets to classify AD-related data and extract retinal vessel density, which may serve as valuable biomarkers for screening. However, challenges remain, including the lack of distinct pathological features in retinal images and the difficulty in obtaining labels for ultra-widefield retinal images. Future research will focus on overcoming these limitations to enhance the accuracy and robustness of AD detection methods.
Introduction
The introduction of the World Alzheimer’s Disease Report 2023 highlights a critical issue: around 75% of global dementia cases remain undetected, with projections indicating over 80 million cases by 2030. This situation emphasizes the urgent need for effective diagnostic methods, particularly in identifying significant biomarkers for Alzheimer’s Disease (AD). The report discusses various biomarkers, including cerebrospinal fluid (CSF) and peripheral blood markers, which show high diagnostic accuracy, especially during the mild cognitive impairment (MCI) stage. Key CSF biomarkers such as Aβ42, total tau protein (t-tau), and phosphorylated tau protein (p-tau) demonstrate sensitivity and specificity rates of 85-90%. Imaging techniques, including amyloid PET and functional MRI, are also explored as promising diagnostic tools, although their high costs limit widespread use.
Emerging research suggests that retinal imaging technologies, such as optical coherence tomography (OCT), may provide a less invasive and cost-effective alternative for early AD detection. Changes in retinal blood vessels and structures have been linked to AD, and advancements in artificial intelligence (AI) are enhancing the analysis of these changes. The proposed study aims to develop a high-precision automated method for retinal vascular segmentation, correlating capillary density with AD severity. The paper outlines its structure, detailing the algorithm and dataset in Section 2, experimental setup in Section 3, further analysis in Section 4, and concluding remarks in Section 5.
Methods
The research paper outlines a dual-component algorithm designed for vessel segmentation and preliminary screening related to Alzheimer’s disease (AD). The first component employs a U-Net architecture for supervised learning to accurately segment retinal vessels from conventional fundus images. This is complemented by an Iterative Multi-Modal Registration and Learning (IRL) approach under weakly supervised learning, which integrates features from both fundus photography and fluorescein angiography images. This combination allows for the capture of vessel characteristics at multiple scales, enhancing the accuracy of the derived retinal vessel density.
The second component of the algorithm focuses on developing a preliminary screening model based on the segmented vessel density. The researchers explore the correlation between retinal vessel density and AD, subsequently incorporating various medical indicators to create a deep learning model aimed at aiding physicians in diagnosing the disease. The implementation of vessel segmentation utilized Tesla V100 hardware, while the classification tasks were performed on an RTX 3060, with the entire algorithm coded in Python.
Results
In this section, the authors present the results of their experiments aimed at evaluating the effectiveness of their proposed framework for analyzing retinal fundus images. They utilized both open-source conventional retinal fundus images and a multi-modality dataset to assess the performance of various components within their pipeline, including a pre-trained and fine-tuned U-Net model, the iterative registration and weakly supervised learning (IRL) process, and the ReIU. The evaluation employed both quantitative metrics and qualitative analyses to measure segmentation accuracy and robustness, ensuring a thorough assessment of the model’s capabilities in real-world clinical applications.
Additionally, the authors validated the extracted vessel density biomarker through preliminary screening models across different data settings, indicating that vessel density could serve as a promising non-invasive biomarker for aiding in the screening of Alzheimer’s disease (AD) patients. The section concludes with an introduction to the dataset utilized in their experiments, setting the stage for a detailed discussion of the findings.
Discussion
In the discussion section, the study examines the relationship between retinal vessel density and the severity of Alzheimer’s Disease (AD). While prior research indicated notable differences in retinal vessel density between healthy individuals and AD patients, the current findings reveal no significant correlation between retinal vessel density and Mini-Mental State Examination (MMSE) scores, which assess cognitive function. The analysis stratified participants based on MMSE scores into four groups reflecting varying severity of AD symptoms. Results suggest that although retinal vessel density is generally lower in AD patients compared to healthy controls, it does not reliably indicate the severity of the disease. This indicates that while retinal vessel density may serve as a potential biomarker for preliminary screening, it should be utilized alongside professional medical evaluations.
The study also highlights the effectiveness of the proposed ReIU model in segmenting retinal vessels from fundus images, despite challenges in obtaining ground truth labels for ultra-widefield images. The model’s ability to extract vessel density biomarkers demonstrates promise for enhancing preliminary screening methods for AD, achieving an accuracy of 79%. However, the authors acknowledge the limitations in distinguishing pathological features in retinal images and the need for further research to develop more robust diagnostic tools. Overall, the integration of vessel density into classification algorithms shows potential for improving the differentiation between AD patients and healthy individuals, advocating for its inclusion in predictive models for medical assessments.