Гиперспектральное машинное зрение для выявления болезни Альцгеймера по анализу сетчатки глаза

Данное исследование проводилось как одноцентровое проспективное поперечное когортное исследование, в котором последовательно набирались пациенты, направленные на люмбальную пункцию в рамках диагностического обследования в клинике памяти в Карлскроне, Швеция (ClinicalTrials.gov, ID:  NCT05604183 , дата регистрации: 27.10.2022). Данные, полученные с помощью ретинальной гиперспектроскопии, использовались для построения моделей бинарной классификации с соотношением бета-амилоида 42/40 в спинномозговой жидкости в качестве показателя результата.

Подбор пациентов

Пациенты, обращающиеся в клинику памяти с жалобами на когнитивные нарушения, направляются на люмбальную пункцию в рамках диагностического обследования. Участники исследования были отобраны во время их обращения за этой процедурой в неврологическую клинику больницы Блекинге в Карлскроне, Швеция. Во время первого визита пациенты были проинформированы об исследовании. После получения информированного согласия участники, помимо люмбальной пункции, прошли сканирование сетчатки, которое проводилось в рамках стандартной клинической практики, независимо от решения об участии в исследовании. Участников приглашали вернуться через 2–4 недели после процедуры для дополнительного сканирования сетчатки и компьютерного когнитивного тестирования.

Критерии включения в исследование: (i) согласие на участие; (ii) отсутствие противопоказаний к применению мидриатических капель; (iii) проведение стандартной процедуры люмбальной пункции; и (iv) возраст не менее 18 лет. Набор участников проводился с января 2023 года по май 2024 года, в течение которого всем подходящим пациентам было предложено принять участие.

Определение размера выборки основывалось на подходе, учитывающем размер эффекта, в соответствии с методологией, описанной Сальгадо (2018) [17]. Предыдущие исследования, использующие гиперспектральную визуализацию сетчатки для классификации статуса амилоида, показали диагностическую эффективность, соответствующую площади под кривой (AUC) приблизительно 0,74 [11, 13]. Эта AUC соответствует коэффициенту Коэна d, равному 0,909, и отношению шансов 5,19. Предполагая сбалансированное распределение случаев с положительным и отрицательным результатом на Aβ, уровень ошибки первого типа 5% и мощность 80%, минимальное необходимое количество событий на предиктор было рассчитано как приблизительно 12 на группу.

Учитывая величину эффекта и необходимость поддержки обучения и валидации модели, был определен консервативный общий размер выборки, составляющий не менее 50 участников. Набор участников планировался с целью включения не менее 30 участников с положительным и 30 участников с отрицательным результатом на амилоид. Ожидалось, что такой размер выборки оставит около 24 участников в каждой группе для обучения модели после исключения случаев для валидации, что несколько выше, чем обычно рекомендуется стандартными методологическими руководствами.

Этические соображения

Исследование было одобрено Комитетом по этической экспертизе в Гётеборге (Dnr 2022–05804-01) и проводилось в соответствии с Декларацией Хельсинки. От всех участников было получено письменное информированное согласие. Все полученные данные были анонимизированы и хранились в соответствии с протоколами безопасности Блекингского технологического института.

Общая оценка

Все пациенты прошли обследование в клинике памяти. Когнитивную стадию (субъективное когнитивное нарушение, легкое когнитивное нарушение, деменция) проводил врач-специалист по когнитивной медицине. Когнитивный скрининг проводился с помощью Монреальского теста когнитивной оценки (MoCA) [18]. Когнитивные симптомы оценивались с помощью Опросника когнитивных нарушений (CIMP-QUEST) [19], который регистрирует топографические симптомы при легком когнитивном нарушении и деменции. Симптомы депрессии оценивались с помощью Гериатрической шкалы депрессии (GDS) [20] из компьютеризированного когнитивного теста «Компьютерное когнитивное тестирование пациентов с легким когнитивным нарушением» (CoGNIT) [21], выполненного на планшетном компьютере во время второго визита в неврологическую клинику. Данные этого общего обследования, наряду с социально-демографическими данными, включая возраст, пол и образование, были собраны для описательной статистики выборки. В Дополнительном файле 1 представлена ​​подробная информация о диагностических процедурах в условиях исследования.

Анализ спинномозговой жидкости

Спинномозговая пункция проводилась неврологом (последним автором) в межпозвоночном пространстве L3-L4 или L4-L5, в положении сидя, с использованием спинномозговой иглы Квинке 22-го калибра. Информация об обработке образцов приведена в Дополнительном файле 1.

В качестве показателя результата эксперимента использовалось соотношение бета-амилоида 42/40 в спинномозговой жидкости, определяемое лабораторным анализом материала, собранного путем люмбальной пункции. Участники с пороговым значением, одобренным FDA, ниже 0,72 были отнесены к случаям с положительным результатом на амилоид (Aβ-положительные), в противном случае – к случаям с отрицательным результатом на амилоид (Aβ-отрицательные). Этого достаточно для диагностики болезни Альцгеймера в соответствии с пересмотренными диагностическими критериями 2024 года Рабочей группы Ассоциации Альцгеймера [1].

Гиперспектральная визуализация сетчатки

В данном исследовании использовалась гиперспектральная камера с моментальным снимком, требующая всего одного сеанса съемки. Каждый снимок выполнялся за один импульс (≈ 6 мс), что сводило к минимуму артефакты движения, связанные с движениями глаз.

Входная информация для построения классификационных моделей была получена с помощью HSI сетчатки. HSI — это возможность одновременно получать данные изображения в широком диапазоне длин волн, предоставляя подробную спектральную информацию для каждого пикселя в сцене [22].

Примерно за 20 минут до процедуры были применены мидриатические глазные капли (Топикамид 0,5% и Фенилэфрин 10%). Обе сетчатки были сфотографированы с помощью гиперспектральной камеры CB200-10 nm-160 × 160-2, разработанной компанией Mantis Photonics AB и описанной Guenot et al. (2024) [16] (регистрационный номер в Шведском агентстве по медицинским продуктам: CIV-22-06-039726), подключенной с помощью C-mount к релейному объективу TL-230T, установленному на фундус-камере Topcon TRC-50IX. Она обеспечивает изображения поля зрения сетчатки 50 × 50 градусов с разрешением 150 × 150 пикселей и спектральным разрешением 18 нм в спектральном диапазоне 450–700 нм. Спектр дискретизировался с шагом 7 нм, генерируя 36 каналов длин волн. Изображения были получены либо квалифицированным врачом, либо квалифицированным техником в присутствии врача.

На каждом изображении были отмечены пять анатомических ориентиров сетчатки (см. рис. 1). Фовеа была выбрана с помощью круговой области интереса (диаметром 20 пикселей) в центре фовеа (F). Области в височных сосудистых аркадах, расположенные выше (S1) и ниже (I1) фовеа, а также выше (S2) и ниже (I2) зрительного нерва, были выбраны с помощью квадратов (25 × 25 пикселей) на шаблоне, ориентированном горизонтально относительно височного шва на основе отмеченных референтных точек.

Рис. 1. Обзор процедуры предварительной обработки данных

Аннотирование проводилось техником, который не был знаком с результатами анализа спинномозговой жидкости. Были отсканированы обе сетчатки, но для аннотирования выбиралось изображение наилучшего качества из каждой сессии. Изображения оценивались на наличие дефектов, исключая изображения с препятствиями, такими как ресницы, радужная оболочка или блики света, а также изображения вне фокуса (см. рис. 2). Были выбраны только четкие, хорошо сфокусированные изображения, показывающие зрительный нерв, макулу и сосудистую дугу.

Затем для обеспечения воспроизводимости и предотвращения предвзятости были полуавтоматически выбраны места систематической выборки. Специализированное программное обеспечение камеры HSI использовалось для ручной разметки центра фовеи и головки зрительного нерва. Была рассчитана ориентация височного ядра шва, и для каждого изображения автоматически извлекались пять точек выборки из ключевых структур сетчатки.

Сегментация сосудов использовалась для удаления пикселей сосудов, которые могли мешать анализу агрегатов амилоидного белка на этапе моделирования. Учитывая значительную вариабельность анатомии сосудов сетчатки у разных людей, каждое место отбора проб может содержать различное количество пикселей, перекрывающих кровеносные сосуды. Кровеносные сосуды сетчатки имеют выраженную спектральную сигнатуру [23], и их отсутствие может привести к ненужной вариабельности спектрального профиля. Для решения этой проблемы кровеносные сосуды, видимые во внутренней сетчатке, были автоматически сегментированы с использованием среза 555 нм гиперкубического изображения. Эта сегментация выполнялась с помощью гауссовой фильтрации для сглаживания изображения, а затем обнаружения гребней на основе матрицы производной Гессе. Процесс включал нормализацию для регулировки контраста, применение цветовой карты для лучшей визуализации и создание бинарной маски для представления сегментированных сосудов [24].

Наконец, для каждого региона была рассчитана средняя интенсивность в каждом из 36 спектральных каналов (в диапазоне от 450 нм до 695 нм с интервалом 7 нм).

Эксперимент по бинарной классификации

Модели бинарной классификации были построены с использованием входных данных средней интенсивности каждого региона (S1, S2, I1, I2 и F) для каждого из 36 спектральных каналов (от 450 нм до 695 нм) и основного показателя результата статуса Aβ (Aβ-положительный или Aβ-отрицательный), полученного в результате анализа ликвора. Для решения проблемы высокой размерности и избыточных коррелированных данных, полученных из гиперспектральных изображений, были использованы CatBoost [[25] и анализ главных компонентов . Эти методы продемонстрировали эффективность в аналогичных контекстах [26–28] .

Для оценки производительности модели и настройки гиперпараметров с целью снижения риска переобучения использовалась вложенная перекрестная проверка (nCV). Как во внутреннем, так и во внешнем циклах применялась групповая, стратифицированная 3-кратная перекрестная проверка для поддержания баланса классов и обеспечения отсутствия данных от одного и того же индивида как в обучающем, так и в тестовом наборах. В каждом внутреннем цикле проводился случайный поиск по 50 конфигурациям гиперпараметров. Диапазоны параметров включали: глубину дерева (4–10), скорость обучения (0,01–0,3), количество итераций (100–400), L2-регуляризацию (1–10), количество границ (50–250), температуру бэггинга (0–1) и случайную силу (1–10). Производительность оценивалась с помощью средней площади под кривой (AUC) по внутренним фолдам, а наилучшая конфигурация использовалась для переобучения модели на полном внешнем обучающем наборе. Такой подход снижает утечку информации и обеспечивает непредвзятую оценку обобщающей способности на внешних тестовых наборах.

Эксперименты повторялись для всех комбинаций одной, двух, трех, четырех и пяти областей сетчатки, в результате чего было проведено в общей сложности 31 эксперимент на основе областей. Для каждого из внешних тестовых наборов были представлены показатели эффективности (AUC, точность, чувствительность, специфичность). Формальный анализ чувствительности не проводился. Однако надежность модели оценивалась путем анализа широкого спектра комбинаций входных данных, что позволило нам изучить, как различные анатомические конфигурации влияют на производительность. Обработка пропущенных данных не требовалась, поскольку дефектные или низкокачественные изображения были исключены до анализа, и окончательный набор данных был полным.

Все анализы проводились в RStudio (v2024.04.1 + 748) с использованием следующих пакетов R: catboost для обучения модели и прогнозирования, pROC для вычисления AUC, rsample и caret для перекрестной проверки, а также dplyr, tidyr и purrr для обработки данных.

Статистика

Различия между участниками с положительным и отрицательным результатом теста на бета-амилоид (Aβ-положительный результат) изучались с помощью t-критерия для непрерывных переменных и критерия хи-квадрат для пропорций. Уровень значимости для всех анализов был установлен на 0,05. Статистический анализ проводился в программе SPSS (версия 28; IBM Corp, Армонк, Нью-Йорк).

Характеристики выборки

Первоначально в исследование были включены 62 пациента. 1 пациент отказался от участия, 1 был исключен из-за неудачной люмбальной пункции, и 3 были исключены из-за недостаточного качества изображения сетчатки. Извлечение признаков было выполнено на изображениях 57 из 60 пациентов, при этом из каждой сессии выбиралось изображение наилучшего качества. Изображения были исключены по следующим причинам: (i) помехи от внешних элементов, таких как волосы или ресницы; (ii) центрально расположенные оптические диски, которые не охватывали всю дугу сосудов и макулу; (iii) недостаточное освещение; и (iv) смещение, приводящее к частичному изображению радужной оболочки, а не сетчатки. В окончательный анализ были включены 88 изображений от 57 пациентов.

В таблице  1  представлены демографические, клинические характеристики и диагностические данные участников. 35 участников были Aβ-положительными, а 22 — Aβ-отрицательными по результатам анализа ликвора. Значимых различий по возрасту или полу не наблюдалось. Различия были отмечены в уровне образования: у Aβ-положительных участников чаще встречалось высшее образование по сравнению с Aβ-отрицательными участниками, у которых чаще встречалось только начальное или среднее образование. У Aβ-положительных участников были значительно ниже баллы по шкале MoCA [18] и GDS [29], что указывает на более выраженные когнитивные нарушения и более тяжелые симптомы депрессии. Биомаркеры ликвора, включая соотношение амилоида 42/40, уровни pTau и tTau, значительно различались между группами, отражая патологические изменения, связанные с болезнью Альцгеймера, в то время как уровни Nfl в ликворе существенно не различались.

Для экспериментов по бинарной классификации количество главных компонентов было зафиксировано на уровне пяти, чтобы сбалансировать снижение размерности с сохранением дисперсии. Учитывая большое количество входных гиперспектральных признаков, использование слишком малого количества компонентов может привести к недообучению из-за отбрасывания потенциально информативных вариаций. Кроме того, из-за ограниченного размера выборки параметр nCV был установлен на три внутренних и три внешних фолда, чтобы обеспечить достаточное количество обучающих данных в каждом фолде.

В таблице  2  представлены показатели эффективности для наилучшей комбинации анатомических областей при каждом количестве областей, с результатами, указанными для каждой внешней складки (см. Дополнительный файл 2 для результатов для всех комбинаций областей). Наилучшие общие показатели были достигнуты с комбинацией из трех областей S1, S2 и F, демонстрирующей стабильные результаты во всех складках с AUC в диапазоне от 0,71 до 0,80. Чувствительность оставалась относительно высокой (0,65–0,88), а специфичность также улучшилась по сравнению с другими конфигурациями.

Включение дополнительных регионов помимо S1, S2 и F не улучшило производительность, что указывает на добавление шума из-за избыточных входных признаков. Модель с четырьмя регионами (S1, S2, I1, F) показала сопоставимые, но несколько более вариативные результаты, а модель, использующая все пять регионов, продемонстрировала снижение производительности.

В таблице  3  приведены средние показатели эффективности по всем фолдам для каждой из лучших комбинаций регионов. Комбинация S1, S2, F не только достигла наивысшего среднего значения AUC (0,77), но и продемонстрировала низкую вариативность по фолдам со стандартным отклонением 0,05 даже в условиях небольшой выборки.

Наиболее эффективные комбинации неизменно включали одни и те же анатомические области, а именно S1, S2 и F. Эта закономерность наблюдалась в различных конфигурациях, включая модели с двумя, тремя и четырьмя областями. Эти результаты предполагают, что верхние области сетчатки (S1 и S2) и фовеа (F) могут содержать особенно информативные спектральные характеристики для различения лиц с положительным и отрицательным результатом на амилоид. Стабильность этих областей в наиболее эффективных моделях повышает их потенциал в качестве целевых зон для будущих исследований в области визуализации и диагностики.

Результаты данного исследования демонстрируют потенциал гиперспектральной визуализации (ГСВ) как неинвазивного метода выявления болезни Альцгеймера (БА) с помощью визуализации сетчатки в последовательной клинической когорте. Наши результаты показывают, что гиперспектральные данные сетчатки из верхних областей (S1, S2) и фовеи (F) обеспечили наиболее информативные паттерны для различения лиц с положительным и отрицательным результатом на бета-амилоид (Aβ), определяемым по биомаркерам спинномозговой жидкости (СМЖ). Модель CatBoost, обученная на данных ГСВ из этих областей, показала стабильно хорошие результаты классификации, при этом комбинация из трех областей S1, S2 и F обеспечила наивысший показатель AUC, точность и стабильность в ходе перекрестной валидации. Эти результаты предполагают, что данная комбинация областей может содержать особенно информативные спектральные характеристики для различения статуса Aβ. Снижение эффективности, наблюдаемое при включении всех пяти областей, предполагает, что не все области сетчатки вносят одинаковый вклад, и что включение неинформативных или избыточных областей может привести к появлению шума или снижению специфичности.

По сравнению с предыдущими исследованиями гиперспектральной визуализации сетчатки для выявления болезни Альцгеймера, настоящее исследование демонстрирует конкурентоспособную диагностическую эффективность в реальных клинических условиях. Например, Лемменс и др. (2020) [11] сообщили о показателе AUC 0,74, используя когорту из 17 случаев и 22 контрольных групп, в то время как Хаду и др. (2019) [13] достигли показателя AUC 0,87 в небольшом валидационном наборе (4 случая и 13 контрольных групп). В отличие от этого, в настоящем исследовании использовалась последовательная клиническая когорта, включающая лиц, направленных на диагностическое обследование из-за уже имеющихся когнитивных жалоб, что отражает реальную популяцию клиник памяти, чего нет в вышеупомянутых исследованиях. Как показано в таблице  1, группы не различались существенно по возрасту, полу, классификации когнитивных стадий или симптомам памяти, но показали вариации в баллах MoCA, уровнях образования и биомаркерах ликвора, демонстрируя гетерогенность, обычно встречающуюся в клинической практике.

Несмотря на это различие, наилучшая комбинация регионов (S1, S2 и F) в нашем исследовании достигла среднего значения AUC 0,77, демонстрируя стабильную эффективность во всех группах итераций. Этот результат может указывать на потенциал гиперспектральной визуализации для выявления патологии болезни Альцгеймера, подчеркивая ее диагностическую значимость.

В то время как более ранние исследования подчеркивали диагностический потенциал области S2, наши результаты расширяют это, определяя S1, S2 и F как наиболее информативную анатомическую комбинацию. Тот факт, что эти области наиболее важны, также согласуется с предыдущими сообщениями об отложениях бета-амилоида в посмертных плоских препаратах сетчатки, преимущественно поражающих верхнюю сетчатку [30]. Верхняя и фовеальная области предоставляют информативные спектральные характеристики, связанные со статусом Aβ, что подтверждает их актуальность в качестве целей в будущих стратегиях обнаружения на основе гиперспектральной визуализации (ГСВ). Необходимы дальнейшие исследования для изучения мультимодальных подходов, таких как сочетание ГСВ с оптической когерентной томографией (ОCТ), что, как обнаружили Лемменс и др. [14], незначительно улучшает производительность.

Диагностическая эффективность одного лишь HSI, по-видимому, ниже, чем у наиболее эффективного биомаркера на основе крови [31,  32] для выявления болезни Альцгеймера, особенно плазменного биомаркера pTau217, который показал точность до 90% при диагностике болезни Альцгеймера как в учреждениях первичной, так и вторичной медицинской помощи [31]. Хотя прямое сравнение не проводилось, HSI может иметь некоторые преимущества. Биомаркеры крови являются более косвенным методом измерения, на который могут влиять функция почек и целостность гематоэнцефалического барьера, что потенциально может повлиять на точность в определенных группах пациентов [33, 34]. Кроме того, ложные «пики» в уровнях pTau могут привести к ошибочной диагностике при использовании однократных измерений [35]. Многомодальный подход может стать перспективным направлением, где конвергенция результатов нескольких методов, например, крови и HSI, может указывать на высоковероятные случаи и отбирать субъектов, нуждающихся в инвазивном подтверждающем тестировании, что является темой для дальнейших исследований.

С практической точки зрения, гиперспектральная визуализация (ГСВ) может иметь преимущество перед биомаркерами на основе крови с точки зрения стоимости сканирования. Получение изображения выполняется за один цикл и не требует расходных материалов. Текущий конвейер постобработки занимает около 20 минут, в основном для извлечения гиперспектральных данных из необработанного выходного сигнала датчика. Однако с помощью ускорения на графическом процессоре это время обработки может быть сокращено до нескольких секунд, что делает возможным анализ в реальном времени. В отличие от этого, биомаркеры на основе крови требуют лабораторных анализов, специализированного оборудования и более высоких текущих затрат, что может ограничивать масштабируемость в некоторых медицинских учреждениях.

Можно утверждать, что HSI может быть более сопоставим с амилоидной ПЭТ, поскольку он измеряет кумулятивные эффекты, а не скорости образования/выведения, как анализ биологических жидкостей, что делает его более устойчивым к биологическим колебаниям. Данные свидетельствуют о том, что бета-амилоид (по соотношению Aβ 42/40) является более ранним биомаркером прогрессирования болезни Альцгеймера, чем pTau217 [36], что открывает потенциал для более ранней или даже досимптоматической диагностики. HSI также может быть широко доступен, учитывая широкое использование фундус-камер в офтальмологии и оптометрии, без необходимости в специализированных лабораториях или оборудовании для масс-спектрометрии или иммуноанализов.

Ограниченная специфичность, наблюдаемая в наших моделях , может частично объясняться перекрывающимися изменениями сетчатки, связанными с другими типами деменции. В исследованиях сообщается о патологическом накоплении α-синуклеина в сетчатке при деменции с тельцами Леви и болезни Паркинсона [37–39]. Сосудистые когнитивные нарушения связаны с сосудистыми изменениями, которые также могут влиять на отражательные свойства сетчатки [40]. Эти патологии могут способствовать ложноположительным классификациям при гиперспектральной визуализации. В будущих исследованиях с более разнообразными когортами следует изучить , как такие сопутствующие заболевания и дифференциальные диагнозы конкретно влияют на гиперспектральные сигнатуры в сетчатке.

Ограничения

Следует отметить ряд ограничений. Небольшой размер выборки может ограничить обобщаемость результатов, особенно за пределами специализированных клиник по лечению нарушений памяти. Хотя более доступный биомаркер мог бы найти более широкое применение в первичной медицинской помощи, в будущем необходимы валидационные исследования в таких условиях для гиперспектральной визуализации, как это было в случае с биомаркерами болезни Альцгеймера в крови. Процесс визуализации сопряжен с трудностями, поскольку гиперспектральная визуализация чувствительна к движению глаз и плохому освещению, что потенциально может повлиять на точность. Технологические усовершенствования, такие как добавление автофокуса, могли бы смягчить эти проблемы. Хотя множественное тестирование вызывает опасения, согласованные показатели модели в различных комбинациях предполагают, что этот риск минимизирован.

Дополнительным ограничением является изменчивость эффективности классификации в разных группах испытуемых. Модель с наилучшими показателями (S1, S2, F) достигла значений AUC в диапазоне от 0,71 до 0,80. Эти значения указывают на приемлемую дискриминационную способность, но диапазон также подчеркивает, что модель пока нельзя считать надежным биомаркером. Важно отметить, что настоящие эксперименты проводились в условиях клиники памяти, где у всех участников были жалобы на когнитивные нарушения. Эти результаты показывают потенциал для дальнейшего развития HSI.

Методологическим ограничением является то, что подход HSI в данном исследовании обеспечивает дихотомическую классификацию статуса Aβ, тогда как такие известные биомаркеры, как ПЭТ и СМЖ, дают непрерывные показатели, которые могут помочь в определении стадии заболевания, особенно для патологии тау. Плазменные биомаркеры становятся перспективными непрерывными показателями, но они также демонстрируют существенную внутрииндивидуальную вариабельность из-за как биологических, так и аналитических факторов, что снижает их надежность для точного определения стадии [41]. Дальнейшие разработки могут позволить HSI получать более тонкие результаты.

Наконец, важным моментом является потенциальное влияние распространенных заболеваний глаз на эффективность HSI, что выходило за рамки настоящего исследования. Глаукома вызывает истончение слоя нервных волокон сетчатки и структурные изменения в головке зрительного нерва, что увеличивает относительное отражение на более длинных волнах в HSI [42]. Было показано, что возрастная макулярная дегенерация демонстрирует отчетливые спектральные сигналы, обнаруживаемые HSI, и имеет общие патологические механизмы, такие как окислительный стресс и внеклеточные отложения, с болезнью Альцгеймера [43]. Катаракта увеличивает рассеяние света в оптических средах глаза, снижая контрастность изображения на сетчатке и вызывая широкое спектральное ослабление в диапазоне длин волн, более выраженное на более коротких волнах по сравнению с более длинными волнами [44,  45]. Хотя в этом исследовании не оценивались сопутствующие заболевания глаз, будущие исследования должны систематически изучать, как распространенные заболевания глаз могут влиять на гиперспектральные характеристики, имеющие отношение к болезни Альцгеймера.