Omówienie artykułu pt. „Wartość obrazowania siatkówki w badaniach przesiewowych w kierunku choroby Alzheimera: przegląd ośmiu ewoluujących trendów” opublikowanego w Prog Retin Eye Res w 2024 roku [1].
Prof. dr hab. med. Andrzej Grzybowski
Kierownik Katedry Okulistyki, Uniwersytet Warmińsko-Mazurski, Olsztyn
Kierownik Instytutu Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
Artykuł omawia nowatorskie podejście do obrazowania siatkówki jako narzędzia wspierającego wczesną diagnostykę choroby Alzheimera (AD). Autorzy przedstawiają osiem kluczowych trendów, które kształtują tę dziedzinę, podkreślając potencjał technologii obrazowania siatkówki oraz wyzwania związane z jej implementacją w klinicznej opiece nad pacjentami.
Wstęp
Choroba Alzheimera (AD) to najczęstsza forma demencji, a jej wczesne wykrywanie pozostaje wyzwaniem, szczególnie ze względu na ograniczenia obecnych metod diagnostycznych, takich jak obrazowanie PET czy badania płynu mózgowo-rdzeniowego. Obrazowanie siatkówki zyskuje na znaczeniu jako alternatywna, nieinwazyjna metoda, umożliwiająca wczesne wykrycie zmian neurodegeneracyjnych i naczyniowych w mózgu. Siatkówka, będąca częścią ośrodkowego układu nerwowego, odzwierciedla zmiany patologiczne zachodzące w mózgu, co czyni ją idealnym narzędziem diagnostycznym.
Trend 1: Histopatologiczne dowody na patologię AD w siatkówce
Badania histopatologiczne wykazują obecność złogów beta-amyloidu (Aβ) oraz białka tau w siatkówce pacjentów z AD. Odkrycia te są istotnym krokiem w kierunku uznania siatkówki za potencjalny biomarker AD, jednak badania nadal są niejednoznaczne. Na przykład, różne techniki barwienia i analizy biochemiczne dają sprzeczne wyniki, co sugeruje konieczność harmonizacji metod badawczych.
Trend 2: Pozycjonowanie obrazowania siatkówki jako narzędzia stratyfikacji ryzyka
Autorzy proponują, aby obrazowanie siatkówki było stosowane jako narzędzie do stratyfikacji ryzyka AD, zwłaszcza u osób z łagodnymi zaburzeniami poznawczymi (MCI). Badanie to może pomóc w identyfikacji pacjentów, u których warto zastosować bardziej inwazyjne testy, takie jak badania biomarkerów krwi czy neuroobrazowanie. Choć obrazowanie siatkówki nie daje ostatecznej diagnozy AD, może wspierać decyzje kliniczne i optymalizować proces diagnostyczny.
Trend 3: Zastosowanie sztucznej inteligencji (AI) w obrazowaniu siatkówki
Sztuczna inteligencja, zwłaszcza techniki głębokiego uczenia (ang. deep learning, DL), odgrywają kluczową rolę w analizie obrazów siatkówki. Modele DL mogą automatycznie rozpoznawać wzorce w obrazach, co znacznie zwiększa precyzję diagnozowania AD. Na przykład, Cheung i współpracownicy [2] opracowali model DL do stratyfikacji ryzyka AD na podstawie fotografii dna oka, osiągając dokładność na poziomie 83,6%. Modele te mogą być również zintegrowane z innymi metodami obrazowania, takimi jak OCT czy angiografia OCT (OCTA), co pozwala na jeszcze bardziej zaawansowaną analizę.
Trend 4: Wykorzystanie istniejącej infrastruktury do oportunistycznych badań przesiewowych
Obrazowanie siatkówki ma potencjał do wykorzystania w programach badań przesiewowych, zwłaszcza w opiece okulistycznej. Ponieważ osoby starsze, w tym pacjenci z ryzykiem AD, często korzystają z usług okulistów, obrazowanie siatkówki może być stosowane jako część rutynowych badań. W krajach, gdzie działają programy przesiewowe w kierunku retinopatii cukrzycowej, można zintegrować badania przesiewowe pod kątem AD, co zwiększyłoby skuteczność diagnostyki.
Trend 5: Multimodalne podejście do diagnostyki AD
Zastosowanie wielu metod obrazowania siatkówki, takich jak skany OCT, zdjęcia dna oka oraz skany OCTA, pozwala na lepsze odwzorowanie zmian związanych z AD. Każda z tych metod dostarcza innego rodzaju informacji: OCT mierzy grubość włókien nerwowych siatkówki, zdjęcia dna oka obrazują stan mikrokrążenia, a OCTA pozwala ocenić stan sieci kapilarnych siatkówki. Łączne zastosowanie tych technik może znacznie poprawić dokładność diagnostyki.
Trend 6: Połączenie obrazowania siatkówki z biomarkerami krwi
Jednym z najbardziej obiecujących kierunków badań jest połączenie obrazowania siatkówki z biomarkerami krwi, takimi jak białka Aβ i tau. Badania pokazują, że biomarkery te mogą być wykrywane we krwi na wczesnym etapie AD, co w połączeniu z wynikami obrazowania siatkówki może prowadzić do bardziej precyzyjnej diagnostyki.
Trend 7: Rozwój międzynarodowej współpracy w badaniach nad obrazowaniem siatkówki
W artykule podkreślono potrzebę międzynarodowej współpracy w celu standardyzacji metod obrazowania siatkówki i harmonizacji danych. Przykładem takiej współpracy jest sieć DEMON (ang. Deep Dementia Phenotyping Network), która promuje badania nad demencją z wykorzystaniem sztucznej inteligencji. Autorzy sugerują, że federacyjne systemy uczenia (federated learning) mogą być skuteczną metodą szkolenia modeli AI, pozwalającą na współpracę między ośrodkami badawczymi bez potrzeby udostępniania surowych danych pacjentów.
Trend 8: Rozszerzenie ramy ATN o cechy naczyniowe siatkówki
Obecnie w diagnostyce AD stosuje się tzw. ramę ATN, która obejmuje amyloid (A), tau (T) i neurodegenerację (N). Autorzy sugerują rozszerzenie tej ramy o komponent naczyniowy (V), ze względu na podobieństwo mikrokrążenia siatkówki do mikrokrążenia mózgu. Zmiany naczyniowe w siatkówce, takie jak zwiększona krętość naczyń czy zmniejszona gęstość sieci naczyń włosowatych, mogą być wczesnym wskaźnikiem AD i powinny być brane pod uwagę w przyszłych badaniach nad biomarkerami AD.
Przyszłe kierunki rozwoju
Autorzy artykułu przewidują, że rozwój cyfrowej opieki zdrowotnej, w tym telemedycyny oraz algorytmów opartych na AI, znacząco przyspieszy wdrażanie obrazowania siatkówki do codziennej praktyki klinicznej. Zastosowanie tanich kamer do obrazowania dna oka oraz rozwój przenośnych urządzeń może zwiększyć dostępność badań przesiewowych w populacji ogólnej.
Wnioski
Obrazowanie siatkówki ma ogromny potencjał jako narzędzie do wczesnej diagnostyki AD. Choć wiele aspektów tej technologii wymaga dalszych badań, zwłaszcza pod kątem standaryzacji i integracji z innymi metodami diagnostycznymi, siatkówka może stać się kluczowym biomarkerem w walce z AD. Współpraca międzynarodowa, rozwój AI oraz integracja obrazowania siatkówki z innymi technologiami, takimi jak biomarkery krwi, to kluczowe kroki w kierunku skuteczniejszej diagnostyki i leczenia AD.
Piśmiennictwo
1. Chan VTT, Ran AR, Wagner SK, Hui HYH, Hu X, Ko H, Fekrat S, Wang Y, Lee CS, Young AL, Tham CC, Tham YC, Keane PA, Milea D, Chen C, Wong TY, Mok VCT, Cheung CY. Value proposition of retinal imaging in Alzheimer’s disease screening: A review of eight evolving trends. Prog Retin Eye Res. 2024 Aug 22;103:101290.
2. Cheung CY, Ran AR, Wang S, Chan VTT, Sham K, Hilal S, Venketasubramanian N, Cheng CY, Sabanayagam C, Tham YC, Schmetterer L, McKay GJ, Williams MA, Wong A, Au LWC, Lu Z, Yam JC, Tham CC, Chen JJ, Dumitrascu OM, Heng PA, Kwok TCY, Mok VCT, Milea D, Chen CL, Wong TY. A deep learning model for detection of Alzheimer’s disease based on retinal photographs: a retrospective, multicentre case-control study. Lancet Digit Health. 2022 Nov;4(11):e806-e815.