深度學習超越機器學習，能透過視網膜眼底影像精準檢測帕金森氏症

被稱為「大腦之窗」的視網膜，為評估與許多神經退化性疾病（neurodegenerative disease）相關的神經病理過程提供了可行的途徑。雖然近來這方面已取得進展，但仍需進一步研究視網膜的結構性退化以提高視網膜診斷的能力。對此，深度學習（DL）模型和傳統機器學習（ML）演算法已成為高效的診斷工具。最近發表的一項科學研究論文報告深入探討了深度學習透過視網膜眼底影像來預測帕金森氏症（PD）的診斷篩檢潛力。

自 2000 年以來，由於缺乏對老年人的高品質早期介入療育措施，與帕金森氏症相關的死亡人數已經增加了一倍以上，所以進一步研究了解帕金森氏症病理，並開發早期診斷系統便成為當務之急。

該論文表明，想要深入了解帕金森氏症的視網膜生物標記物，需要對視網膜血管的結構性退化有全面的了解。雖然臨床上多半難以實現，但 AI 可以幫助闡明視網膜在局部和全局空間層面上的複雜關係。

深度學習提升早期疾病介入可行性，有望降低帕金森氏症死亡率

該研究的主要目的是系統性地記錄帕金森氏症進展各階段的分類表現，包括初發性（incident）和普遍性（prevalent）帕金森氏症。在忽略任何特徵選擇方法或外部定量指標的情況下，研究人員讓 AI 演算法的診斷能力最大化。同時透過深度學習和傳統機器學習方法確立其穩健度（robustness）。

研究結果顯示，深度神經網路優於傳統機器學習模型，在視網膜眼底影像帕金森氏症檢測中表現出卓越的性能。該模型成功預測了正式診斷前帕金森氏症的發病率，在 0 到 5.07 年之間的靈敏度達到 80%。在 5.07 至 5.57 年之間提升到 93.33%，在 5.57 至 7.38 年之間降至 81.67 %。這樣優異的表現們顯示了早期疾病介入的潛力。

自動化的深度神經網路可以輔助眼科醫生識別疾病生物標記並進行高通量評估。直到目前為止，使用視網膜進行基於 AI 的帕金森氏症評估仍然非常少見。重要的是，以往的研究並未對深度學習和傳統機器學習方法進行比較。該研究評估了這兩種方法，將整個眼底影像視為一種診斷媒介。此外，普遍性和初發性帕金森氏症患者與適當匹配的健康對照組成功區分，準確率達 68%