Heart：眼底图像 AI 算法精准识别冠状动脉疾病患者轻度认知障碍

轻度认知障碍（MCI）最常见于60岁以上的人群，患病率约为16%-20%。轻度认知障碍是痴呆症的早期阶段，需要长期护理，给家庭和国家卫生保健系统带来沉重负担。冠状动脉疾病（CAD）是最常见的心血管疾病之一，也随着年龄的增长而增加。CAD和MCI有相似的危险因素，包括高胆固醇血症、高血压、糖尿病、肥胖、吸烟和缺乏体育活动MCI与CAD风险增加呈正相关。伴有MCI的CAD患者发生心血管死亡和全因死亡等严重不良事件的风险甚至显著增加，这可能是由于这类患者自我管理能力下降，从而加速了冠心病的病程。检测MCI和痴呆的传统方法依赖于迷你精神状态检查（MMSE）或蒙特利尔认知评估（MoCA）量表，并辅以神经成像技术（如正电子发射断层扫描）和脑脊液生物标志物。然而，这些方法需要昂贵的设备和医务人员来评估结果。检测过程耗时耗力，而且对患者的文化背景很敏感，这可能会影响结果的准确性。所有这些因素都限制了它们的应用因此，建立一种无创、方便、准确的检测方法，快速诊断CAD人群的MCI仍然是需要的。CAD与MCI的风险增加有关。目前仍缺乏从CAD人群中识别MCI的有效、便捷的筛查方法。

近日，心脏病领域权威杂志Heart上发表了一篇研究文章，该研究旨在开发一种使用眼底图像的深度学习模型，以优化CAD人群的MCI诊断，实现早期干预和改善预后。

研究人员将2021年7月至2023年7月在北京安贞医院就诊的冠心病患者（至少一例狭窄≥50%）纳入单中心横断面研究。从2021年7月到2023年5月，符合条件的患者以8:2的比例随机分配，用于模型的训练和内部测试。2023年6月至2023年7月入组的患者被纳入外部验证组。研究人员使用四种不同的卷积神经网络结构来训练受试者的眼底图像。参考标准分别为MMSE评分<27分和MoCA评分<26分。通过模型集成，建立了MCI检测的综合可视化模型。

该研究共收集到了4357例CAD患者的9009张符合条件的图像。基于MMSE的人工智能（AI）算法在测试组的曲线下面积（AUC）为0.832(95%CI为0.800~0.863)，在验证组的AUC为0.776（95%CI为0.730~0.821）。基于MoCA的AI算法在测试组的AUC为0.764(95%CI为0.742~0.785)，在验证组的AUC为0.725（95%CI为0.701~0.750）。两种模型内部测试集的校准曲线均表现出良好的校准效果。决策曲线的结果显示了广泛的临床应用价值。

由此可见，该研究中基于眼底图像训练的人工智能算法在筛查CAD人群MCI方面表现良好，可能是一种无创、有效的疾病早期诊断替代方法。

原始出处：

Yi Ye,et al.Retinal image-based deep learning for mild cognitive impairment detection in coronary artery disease population.Heart.2025.https://heart.bmj.com/content/early/2025/05/15/heartjnl-2024-325486