Zestawowy klasyfikator uczenia maszynowego w diagnostyce choroby Parkinsona wykorzystujący angiografię optycznej koherentnej tomografii

Dlaczego oczy mogą ujawniać utajone choroby mózgu

Chorobę Parkinsona zwykle rozpoznaje się dopiero po pojawieniu się drżeń, sztywności lub spowolnienia ruchów — objawów wskazujących, że w mózgu zachodzą już od lat zmiany. W badaniu tym zbadano nieoczekiwaną drogę skrótu: przyjrzenie się drobnym naczyniom krwionośnym w tylnej części oka za pomocą bezbolesnego skanu i wykorzystanie sztucznej inteligencji do wykrywania osób, które mogą mieć Parkinsona wcześniej i w sposób bardziej obiektywny niż pozwalają na to dzisiejsze badania.

Patrzenie na mózg przez oko

Światłoczuła tkanka z tyłu oka, siatkówka, jest w istocie dostępną częścią mózgu. Dzieli podobne nerwy i naczynia krwionośne, ale można ją badać nieinwazyjnie w gabinecie. Badacze użyli technologii zwanej angiografią optycznej koherentnej tomografii (OCTA), która tworzy szczegółowe, bezbarwnikowe mapy krążenia siatkówki. Ponieważ choroba Parkinsona została powiązana z zaburzeniami drobnych naczyń w innych częściach ciała, zespół zapytał, czy subtelne zmiany w tych sieciach naczyniowych siatkówki mogą działać jak „okno” na wczesną fazę choroby.

Zmiana skanów oka w liczby

W badaniu retrospektywnym zespół zebrał skany OCTA od 53 osób z chorobą Parkinsona i 39 zdrowych ochotników dobranych wiekowo. Skupiono się na dwóch warstwach naczyń siatkówki: warstwie powierzchownej znajdującej się bliżej powierzchni oraz głębszej warstwie pod spodem. Z każdej warstwy automatycznie wydzielono centralną beznaczyniową strefę dołka — maleńkie zagłębienie pozbawione naczyń krwionośnych niezbędne do ostrego widzenia — oraz otaczające ją kapilary. Następnie każde zdjęcie przekształcono w 22 pomiary numeryczne. Niektóre opisywały kształt strefy dołka, na przykład jak bardzo była okrągła, gładka lub nieregularna jej krawędź. Inne mierzyły gęstość naczyń krwionośnych ogółem i w pierścieniu wokół dołka. Razem te pomiary ilościowo opisywały mikrokrążenie z dużo większą subtelnością niż potrafi ocenić oko ludzkie.

Wytrenowanie SI do rozpoznawania wzorców Parkinsona

Mając te pomiary, badacze zbudowali modele komputerowe rozróżniające skany pacjentów z Parkinsonem od skanów zdrowych osób. Ponieważ ich zbiór danych był umiarkowany, najpierw zastosowali techniki selekcji cech, aby zredukować 22 pomiary do najbardziej informatywnego podzbioru, zmniejszając szum i przeuczenie. Następnie przeszkolili kilka popularnych algorytmów uczenia maszynowego, w tym metody oparte na drzewach decyzyjnych oraz klasyfikator k-najbliższych sąsiadów. W końcu połączyli trzy najsilniejsze modele — XGBoost, Random Forest i K-Nearest Neighbors — w ważoną „ensemblę”, tak aby głos każdego modelu liczył się proporcjonalnie do jego zwykle uzyskiwanej skuteczności.

Co modele znalazły w siatkówce

W porównaniu z ochotnikami zdrowymi osoby z chorobą Parkinsona wykazywały wyraźne oznaki zmienionego mikrokrążenia siatkówki. Wskaźniki gęstości naczyń były niższe, a centralna strefa dołka miała tendencję do mniejszej regularności kształtu — mniej okrągła, mniej gładka i mniej zwarta — zarówno w warstwie powierzchownej, jak i głębokiej. Po przetestowaniu na uprzednio nieznanych danych model ensemblowy poprawnie klasyfikował około trzech na cztery oczu ogółem. Co najważniejsze, osiągnął czułość na poziomie 90%: prawidłowo zidentyfikował dziewięć na dziesięć przypadków Parkinsona. Swoistość była bardziej umiarkowana, nieco ponad połowę, co oznacza, że niektórzy zdrowi zostali błędnie oznaczeni jako chorzy. Pole pod krzywą ROC, powszechny skrót oceny skuteczności diagnostycznej, wynosiło 0,75, co wskazuje na użyteczną, lecz nie rozstrzygającą zdolność rozróżniania.

Z algorytmu do kliniki

Aby pójść dalej niż teoria, zespół zapakował swoje metody w prototypowe narzędzie programowe o nazwie Parkinson’s Disease Artificial Intelligence (PDAI). Poprzez prosty interfejs graficzny klinicyści mogą wczytać skany OCTA, przejrzeć automatycznie odwzorowane naczynia i centralną strefę dołka, zobaczyć kluczowe cechy liczbowe oraz otrzymać natychmiastową prognozę, czy skan przypomina te pochodzące od pacjentów z Parkinsonem. Ponieważ system opiera się na ręcznie zdefiniowanych, jasno określonych pomiarach, a nie na nieprzejrzystej „czarnej skrzynce”, przyczyny poszczególnych decyzji są łatwiejsze do interpretacji przez klinicystów i potencjalnego powiązania z biologią podstawową.

Co to oznacza dla pacjentów

Praca ta nie oferuje jeszcze samodzielnego testu na chorobę Parkinsona, ale pokazuje, że szybki, nieinwazyjny skan oka, analizowany za pomocą starannie zaprojektowanych metod uczenia maszynowego, może wykrywać zmiany związane z chorobą z wysoką czułością. W praktyce takie narzędzie mogłoby kiedyś służyć jako pomoc przesiewowa — pomagając okulistom i neurologom zdecydować, kogo należy baczniej obserwować lub skierować na dalszą ocenę na długo przed pojawieniem się inwalidyzujących objawów. Nadal potrzebne są większe, wieloośrodkowe badania, lecz wyniki sugerują, że oczy rzeczywiście mogą dostarczać praktycznego wczesnego sygnału ostrzegawczego dla choroby Parkinsona.

Cytowanie: Hasanshahi, M., Mehdizadeh, A., Mahmoudi, T. et al. An ensemble machine learning classifier for Parkinson’s disease diagnosis using optical coherence tomography angiography. Sci Rep 16, 7297 (2026). https://doi.org/10.1038/s41598-026-38407-9

Słowa kluczowe: choroba Parkinsona, obrazowanie siatkówki, OCTA, uczenie maszynowe, wczesna diagnoza