En ensemble-maskininlärningsklassificerare för diagnos av Parkinsons sjukdom med optisk koherenstomografi-angiografi

Varför ögonen kan avslöja dold hjärnsjukdom

Parkinsons sjukdom diagnostiseras oftast först efter att tremor, stelhet eller försenad rörelse har uppstått—tecken på att hjärnan redan har förändrats under flera år. Denna studie undersöker en oväntad genväg: att studera små blodkärl längst bak i ögat med en smärtfri avbildningsskanning och sedan använda artificiell intelligens för att markera personer som kan ha Parkinsons tidigare och mer objektivt än vad dagens undersökningar tillåter.

Att betrakta hjärnan genom ögat

Den ljuskänsliga vävnaden längst bak i ögat, näthinnan, är i praktiken en åtkomlig del av hjärnan. Den delar liknande nerver och blodkärl men kan undersökas icke-invasivt i en klinik. Forskarna använde en teknik som kallas optisk koherenstomografi-angiografi, eller OCTA, som skapar detaljerade, färgämnesfria kartor över näthinnans cirkulation. Eftersom Parkinsons har kopplats till problem i små blodkärl på andra ställen i kroppen, frågade teamet om subtila förändringar i dessa retinala nätverk kan fungera som ett ”fönster” in till tidig sjukdom.

Att omvandla ögonskanningar till siffror

I en retrospektiv studie samlade teamet OCTA-skanningar från 53 personer med Parkinsons och 39 friska, åldersmatchade frivilliga. De fokuserade på två lager av retinala kärl: ett ytligt lager nära ytan och ett djupare lager underst. Från varje lager segmenterade de automatiskt den centrala foveala avaskulära zonen—den lilla blodkärlsfria gropen som krävs för skarpt seende—samt de omgivande kapillärerna. De konverterade sedan varje bild till 22 numeriska mått. Några beskrev formen på den foveala zonen, såsom hur rund, slät eller oregelbunden dess kant var. Andra fångade hur täta blodkärlen var överlag och i en ring runt fovean. Tillsammans kvantifierade dessa mått mikrovaskulär hälsa med mycket större nyans än vad ett mänskligt öga kunde bedöma.

Att träna en AI att upptäcka Parkinsons-mönster

Med dessa mätvärden i handen byggde forskarna datorbaserade modeller för att skilja Parkinsons-skanningar från friska. Eftersom deras datamängd var modest använde de först metoder för funktionsselektion för att skära ner de 22 mätvärdena till den mest informativa delmängden, vilket minskade brus och överanpassning. De tränade sedan flera vanliga maskininlärningsalgoritmer, inklusive besluts-trädsbaserade metoder och en k-närmaste grannar-klassificerare. Slutligen kombinerade de de tre starkaste presterarna—XGBoost, Random Forest och K-Nearest Neighbors—i en viktad ”ensemble”, så att varje modells röst räknades i proportion till hur väl den tenderade att prestera.

Vad modellerna fann i näthinnan

Jämfört med friska frivilliga visade personer med Parkinsons tydliga tecken på förändrad retinal mikrocirkulation. Mått på kärltäthet var lägre, och den centrala foveala zonen tenderade att vara mindre regelbunden i formen—mindre rund, mindre slät och mindre kompakt—i både ytliga och djupa kärllager. När modellen testades på tidigare osedda data klassificerade ensemblemodellen korrekt ungefär tre av fyra ögon totalt. Mest anmärkningsvärt nådde den 90 % sensitivitet: den identifierade korrekt nio av tio Parkinsonsfall. Specificiteten var mer modest, strax över hälften, vilket betyder att vissa friska individer felaktigt flaggades som sjuka. Arean under ROC-kurvan, ett vanligt sammanfattande mått på diagnostisk prestanda, var 0,75, vilket indikerar användbar men inte avgörande diskriminering.

Från algoritm till klinik

För att gå från teori till praktik paketerade teamet sina metoder i ett prototypprogram kallat Parkinson’s Disease Artificial Intelligence (PDAI). Genom ett enkelt grafiskt gränssnitt kan kliniker ladda OCTA-skanningar, granska de automatiskt spårade blodkärlen och den centrala foveala zonen, se de viktigaste numeriska funktionerna och få en omedelbar prediktion om huruvida en skanning liknar de från Parkinsonspatienter. Eftersom systemet bygger på handgjorda, tydligt definierade mått snarare än en ogenomskinlig ”svart låda”, är bidragen till varje beslut lättare för kliniker att tolka och potentiellt relatera till underliggande biologi.

Vad detta betyder för patienter

Dessa resultat erbjuder ännu inte ett fristående test för Parkinsons, men de visar att en snabb, icke-invasiv ögonskanning analyserad med noggrant utformade maskininlärningsmetoder kan fånga sjukdomsrelaterade förändringar med hög känslighet. I praktiken skulle ett sådant verktyg en dag kunna användas som ett screeningsstöd—hjälpa ögonläkare och neurologer att avgöra vilka som bör följas närmare eller remitteras för vidare utredning långt innan funktionsnedsättande symptom uppträder. Större, multicenterstudier behövs fortfarande, men studien tyder på att ögonen faktiskt kan ge en praktisk tidig varningssignal för Parkinsons sjukdom.

Citering: 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

Nyckelord: Parkinsons sjukdom, retinal avbildning, OCTA, maskininlärning, tidig diagnos