Hyperspectral retinal imaging as a biomarker for Alzheimer’s disease
Notice bibliographique
Résumé
Abstract Background Currently, Alzheimer’s disease (AD) diagnosis relies on biomarkers that are either expensive, invasive or time‐consuming. The retina is easily accessible and may be used as a patient‐friendly and cost‐effective diagnostic tool. Optina Diagnostics’ Mydriatic Hyperspectral Retinal Camera (MHRC) may improve diagnostic abilities of the retina by using rich datasets and artificial intelligence. Here we aim to explore diagnostic possibilities of the MHRC by identifying image features associated with the cerebral amyloid status. Method Six cognitively healthy participants with a negative amyloid‐PET scan and twenty‐five participants with a positive amyloid‐PET scan (clinical AD n = 4, preclinical AD n = 21, MMSE ≥17) were recruited from the EMIF‐AD PreclinAD Twin60++ study and Amsterdam Dementia Cohort (Table 1). Retinal imaging was performed using the MHRC that acquires 92 retinal images in an ∼1 second exposure, in steps of 5 nm increments across a spectral range of 450‐905 nm (visible and near‐infrared) on a 31° field‐of‐view (Figure 1). Spatial‐spectral features (n = 2304) were extracted from two or three hyperspectral cubes per participant using different combinations of anatomical masks, spectral regions and texture measures. Morphological features (n = 935) related to the blood vessels (diameter, tortuosity, density and fractal dimension) were also extracted from different retinal zones. Features were assessed with a Tukey’s test for statistical significance to classify the cerebral amyloid status determined by amyloid‐PET scans. Features were considered significant if their p ‐value was below 0.05 simultaneously for both our present cohort and an independent cohort of 499 subjects. Result Explorative analysis identified thirty significant spatial‐spectral features ( p ‐value range 0.0033‐0.049) for the classification of the cerebral amyloid‐PET status. Examples of such features covering different spectral ranges and retinal anatomic regions are presented in Figure 2. In contrast, only three morphological features were identified ( p ‐value range 0.017‐0.049). Conclusion Phenotypic features extracted from hyperspectral retinal images hold promise to discriminate between amyloid‐PET positive and negative individuals, beyond morphological features available with conventional retinal imaging. More data are collected from several centers to build a classifier of features with the aim to discriminate amyloid‐PET positive from negative subjects. This would yield a patient‐friendly and non‐invasive retinal biomarker for AD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».