美国国家眼科研究所的研究人员开发并验证了一种以人工智能为基础的方法来评估Stargardt患者，Stargardt是一种可导致儿童视力下降的眼病。该方法量化了与疾病相关的感光视网膜细胞的损失，为监测患者、了解疾病的遗传原因和开发治疗方法提供了信息。研究结果发表在今天的《JCI洞察》杂志上。
“这些结果提供了一个评估Stargardt疾病进展的框架，这将有助于控制患者之间的显著差异，并促进治疗试验，”Michael F. Chiang医学博士说，NEI是美国国立卫生研究院的一部分。
大约每9000人中就有1人会患上最常见的Stargardt或ABCA4相关视网膜病变，这是一种常染色体隐性疾病，由ABCA4基因变异引起，该基因包含感光细胞中跨膜蛋白的遗传信息。当人们继承了两个ABCA4的突变副本时，就会患上Stargardt。只有一个ABCA4突变副本的人是基因携带者，但不会患上这种疾病。更罕见的Stargardt与其他基因的变异有关。
然而，即使所有的患者都有ABCA4基因变异，在发病年龄和疾病进展方面也有很大的差异。一名患者可能很早就失去了整个视网膜的感光感受器，而另一名患者可能是青少年，只受到视网膜中央凹的影响，而中央凹是视网膜提供最清晰的中央视觉的区域，人们需要阅读和看到其他细节。然而，另一个病人可能到了中年却没有视力下降。
“ABCA4基因的不同变体可能导致了不同的疾病特征或表型。然而，传统的分析视网膜结构变化的方法不允许我们将基因变异与表型联系起来，”该研究的共同领导者，Brian P. Brooks博士说，医学博士，NEI眼科遗传学和视觉功能分支主任。布鲁克斯博士与Brett G. Jeffrey博士共同领导了这项研究，Brett G. Jeffrey博士是NEI眼科遗传学和视觉功能部门人类视觉功能核心的负责人。
研究人员使用一种称为光谱域光学相干断层扫描(SD-OCT)的视网膜成像技术，对66名Stargardt患者(132只眼睛)进行了5年的跟踪研究。3d SD-OCT视网膜横断面图像通过深度学习进行分割和分析，深度学习是一种人工智能，可以将大量的图像数据输入算法，然后学习检测模式，从而对图像进行分类。
利用深度学习的方法，研究人员能够根据患者的表型和ABCA4变异，量化和比较感光器和视网膜各层的损失。
具体来说，研究人员将注意力集中在一个被称为椭球带的区域的感光器的健康状况上。椭球带是感光器内外段边界的一个特征，它会因疾病而减弱或消失。研究人员还检查了紧邻椭球区周围区域的外层核层。
他们发现，椭球区(一种严重的感光细胞退化的测量方法)的缺失，以及这些区域之外的外层核层的变薄(一种微妙的感光细胞退化的测量方法)，遵循着一种可预测的时间和空间模式。在这种可预测性的基础上，他们可以产生一种方法来对31种不同ABCA4变异的严重性进行分类。
重要的是，他们还发现，光感受器退化并不局限于椭球区丧失的区域。相反，渐进光感受器层变薄——对医生的眼睛来说很微妙，但可以定量测量——在远离椭球区丧失边界的区域很明显。这代表了该疾病的实际前沿，表明这将是一个密切监测的领域，以确定一种新疗法是否有效果。
Jeffrey说:“我们现在对Stargardt疾病有敏感的结构性结果指标，适用于广泛的患者，这对推进治疗性试验至关重要。”
