Ансамблевый классификатор машинного обучения для диагностики болезни Паркинсона с использованием ангиографии оптической когерентности

Почему глаза могут выдать скрытое заболевание мозга

Болезнь Паркинсона обычно диагностируют только после появления тремора, скованности или замедления движений — признаков, что в мозге уже происходили изменения в течение многих лет. В этом исследовании изучается неожиданная кратчайшая дорога: просмотр крошечных кровеносных сосудов в задней части глаза с помощью безболезненного сканирования и использование искусственного интеллекта для выявления людей, у которых болезнь Паркинсона может быть обнаружена раньше и объективнее, чем позволяют современные осмотры.

Смотреть на мозг через глаз

Светочувствительная ткань в задней части глаза — сетчатка — по сути является доступной частью мозга. Она имеет сходные нервы и кровеносные сосуды и при этом может быть исследована неинвазивно в кабинете. Исследователи использовали технологию, называемую оптической когерентной томографической ангиографией (OCTA), которая создает детализированные карты кровообращения сетчатки без применения красителей. Поскольку болезнь Паркинсона связывают с нарушениями в мелких сосудах и в других частях тела, команда задалась вопросом, не могут ли тонкие изменения в этих сетях сетчатки служить «окном» для раннего обнаружения заболевания.

Преобразование снимков глаз в числа

В ретроспективном исследовании команда собрала OCTA-снимки у 53 человек с болезнью Паркинсона и 39 здоровых добровольцев сопоставимого возраста. Они сосредоточились на двух слоях сосудов сетчатки: поверхностном слое у поверхности и глубоком слое под ним. В каждом слое они автоматически сегментировали центральную аваскулярную зону фовеи — крошечное свободное от сосудов углубление, необходимое для острого зрения — а также окружающие капилляры. Затем каждое изображение было переведено в 22 числовые характеристики. Некоторые описывали форму фовальной зоны, например, насколько она круглая, гладкая или с неровным краем. Другие отражали плотность сосудов в целом и в кольце вокруг фовеи. Вместе эти измерения количественно оценивали микроциркуляцию с гораздо большим нюансом, чем способен различить человеческий глаз.

Обучение ИИ распознавать паттерны Паркинсона

Имея эти измерения, исследователи построили компьютерные модели, которые отличают снимки пациентов с Паркинсоном от здоровых. Поскольку их набор данных был умеренного размера, они сначала использовали методы отбора признаков, чтобы сократить 22 показателя до наиболее информативного подмножества, уменьшив шум и переобучение. Затем они обучили несколько распространенных алгоритмов машинного обучения, включая методы на основе деревьев решений и классификатор k-ближайших соседей. Наконец, они объединили три сильнейших модели — XGBoost, Random Forest и K-Nearest Neighbors — в взвешенный «ансамбль», при котором голос каждой модели учитывался пропорционально ее типичной эффективности.

Что модели обнаружили в сетчатке

По сравнению со здоровыми добровольцами у людей с болезнью Паркинсона наблюдались явные признаки измененной микроциркуляции сетчатки. Показатели плотности сосудов были ниже, а центральная фовальная зона по форме была менее регулярной — менее круглая, менее гладкая и менее цельная — как в поверхностном, так и в глубоком сосудистых слоях. При тестировании на ранее не виденных данных ансамблевая модель правильно классифицировала примерно три из четырех глаз в целом. Особенно примечательно, что она достигла 90% чувствительности: в девяти из десяти случаев модель правильно выявляла пациентов с Паркинсоном. Специфичность была более скромной, чуть выше половины, то есть некоторые здоровые люди ошибочно отмечались как больные. Площадь под кривой ROC, распространенный суммарный показатель диагностической эффективности, составила 0,75, что указывает на полезную, но не окончательную дискриминацию.

От алгоритма к клинике

Чтобы выйти за рамки теории, команда оформила свои методы в прототип программного инструмента под названием Parkinson’s Disease Artificial Intelligence (PDAI). Через простой графический интерфейс клиницисты могут загружать OCTA-снимки, просматривать автоматически вычерченные сосуды и центральную фовальную зону, видеть ключевые числовые признаки и получать мгновенный прогноз о том, похоже ли данное изображение на снимки пациентов с Паркинсоном. Поскольку система опирается на вручную продуманные, четко определенные измерения, а не на непрозрачную «черный ящик», вклад каждого признака в решение легче интерпретировать клиницистам и, возможно, соотнести с биологическими механизмами.

Что это значит для пациентов

Эта работа пока не предлагает автономного теста на болезнь Паркинсона, но демонстрирует, что быстрый, неинвазивный скан глаза, проанализированный с помощью тщательно разработанных методов машинного обучения, может выявлять изменения, связанные с заболеванием, с высокой чувствительностью. На практике такой инструмент однажды мог бы использоваться как скрининговая помощь — помогая офтальмологам и неврологам решать, кого стоит наблюдать более пристально или направлять на дальнейшее обследование задолго до появления инвалидизирующих симптомов. Все еще необходимы крупные многоцентровые исследования, но исследование подразумевает, что глаза действительно могут дать практичный ранний сигнал тревоги при болезни Паркинсона.

Цитирование: 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

Ключевые слова: Болезнь Паркинсона, изображение сетчатки, OCTA, машинное обучение, ранняя диагностика