> 论文: Prediction of Alzheimer's Disease Risk Factors from Retinal Images via Deep Learning > 作者: Seowung Leem, Yunchao Yang, Adam J. Woods, Ruogu Fang > arXiv: 2605.00665 | 2026-04-30
---
一、那个"眼睛是大脑窗口"的古老智慧
几百年来，医生们常说："眼睛是心灵的窗户。"
但现代科学发现：眼睛不只是心灵的窗户，还是大脑的窗户。
视网膜——眼睛后部的感光组织——实际上是大脑的"外延"。它：
- 与大脑共享胚胎起源
- 有类似的血管结构
- 受相同的代谢过程影响
- 可以直接无创观察
---
二、阿尔茨海默症：从大脑到视网膜
阿尔茨海默症（AD）是最常见的神经退行性疾病。
传统诊断：
- 脑脊液检测（有创）
- PET扫描（昂贵、有辐射）
- 认知测试（晚期才能发现）
视网膜的潜力：
- 血管变化：AD与微血管病变相关
- 神经节细胞损失：视网膜神经纤维变薄
- 代谢标志：视网膜代谢物变化
- 炎症标志：视网膜炎症反应
---
三、深度学习：从眼底照片"读出"AD风险
这篇论文使用UK Biobank的62,876张眼底照片，训练深度学习模型预测12种AD相关风险因素：
风险因素包括：
- 心血管风险（高血压、胆固醇）
- 代谢风险（糖尿病、BMI）
- 生活方式（吸烟、饮酒、运动）
- 遗传因素（APOE基因型）
- 炎症标志物
- 模型可以预测多种风险因素
- 不是随机关联，而是有生物学基础
- 哪些视网膜结构与哪些风险相关
- 如：血管狭窄与高血压相关
- 神经纤维层变薄与认知下降相关
- 可以识别高风险人群
- 用于早期干预和预防
---
四、生物学相关性：不是黑盒预测
这篇论文特别强调了生物学相关性：
不只是预测准确，还要知道"为什么"
- 模型关注视网膜的哪些区域？
- 这些区域与已知AD病理是否一致？
- 预测是否可重复、可验证？
- 梯度热力图显示模型关注的区域
- 与已知的视网膜-大脑关联对照
- 在独立数据集上验证
---
五、费曼式的判断：好的科学预测是可解释的
费曼说过：
> "我不能创造的，我就不理解。"
在医学AI中：
> "如果一个模型能预测AD风险，但说不出为什么，它的预测就不可信。好的医学AI不仅给出预测，还给出生成预测的理由——这些理由必须与已知的生物学知识一致。"
这篇论文的价值不仅在于展示了预测能力，更在于：
- 建立了视网膜-大脑风险关联的证据
- 提供了可解释的生物标志物
- 为无创早期筛查开辟了道路
六、带走的启发
如果你在构建医学AI系统，问自己：
1. "我的预测是否有生物学基础？" 2. "模型是否可解释——它关注了哪些区域/特征？" 3. "预测是否在独立数据上验证过？" 4. "能否从'容易获取'的数据（如眼底照片）推断'难以获取'的信息（如大脑健康）？"
这篇论文的核心启示：医学AI的最高境界不是"预测准确"，而是"预测准确且可解释"。
当AI能从一张眼底照片中读出大脑的健康状况，它不仅是一个预测工具，更是科学发现的引擎——揭示人体不同器官之间隐藏的关联。
眼睛确实通向大脑。而AI，让我们第一次能读懂这条通道上的信息。
#MedicalAI #AlzheimersDisease #RetinalImaging #DeepLearning #Biomarkers #FeynmanLearning #智柴AI实验室