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着上升，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》：眼底图像眼底疾病AI辅助诊断系统，可作为大规模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，眼底疾病谱显着改变。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，呈现显着的“西北高、东南低”特征。

主要眼底疾病发病率（2021年，单位：患病人数/千人）

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着；而黄斑裂孔以65岁以上人群增长更为显着。35岁以下年轻人群的糖网患病率显着提高，这可能与糖尿病患病低龄化密切相关。

眼底疾病谱变化（2019-2021）

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。

热力图

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。