训练Ret-AAE模型
将OCT和CFP图像压缩为256维嵌入，保留关键解剖特征。
使用63,946张CFP和88,972张OCT图像训练对抗自编码器，采用L1损失、对抗损失和感知损失，通过贝叶斯超参数搜索优化。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
深度学习衍生表型的多组学分析将眼科影像与心血管和神经疾病特征联系起来
Multi-omic analysis of deep learning-derived phenotypes links ophthalmic imaging to cardiovascular and neurological traits
实验完整度
高包含多组学分析（基因组、代谢组、影像组学）、前瞻性队列分析及功能验证（GWAS、基因集分析、相关性分析），证据层级丰富。
主要模型
UK Biobank队列（包含OCT和CFP影像的参与者） 视网膜对抗自编码器（Ret-AAE）模型
重点核对
影像质量：OCT图像质量评分≥40，CFP图像经Automorph分级为‘usable’或‘good’ GWAS发现队列与复制队列：OCT分别有30,863和6,847人，CFP分别有19,109和4,402人 统计分析：每嵌入应用Bonferroni校正，Cox模型调整年龄和遗传性别 数据版本：UK Biobank数据截止2022年5月31日
摘要
眼睛是公认的心血管和神经退行性疾病风险的生物标志物来源。在此，我们描述了这些关联的广度，并确定了可能介导这些关联的生物学轴。利用英国生物银行数据，我们开发了一个整合生理、放射组学、代谢组学和基因组学信息的多组学分析流程。我们训练了视网膜对抗自编码器，将光学相干断层扫描图像和彩色眼底照片表示为256维嵌入。视网膜对抗自编码器衍生的嵌入与一系列心血管和神经退行性疾病相关，包括缺血性心脏病、脑血管疾病、帕金森病和痴呆。通过检查不同组学数据集中的关联，我们提供了将眼科影像特征与神经和心血管解剖及功能、脂质代谢以及与神经退行性病理相关的基因集联系起来的证据。总的来说，我们的研究结果表明，眼部特征反映了复杂的、多系统的生物过程，并强化了眼睛作为全身健康综合指标的作用。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 眼部影像特征与心血管和神经退行性疾病关联的程度及潜在生物学机制是什么？
- 核心机制
- 眼部影像特征反映多系统生物学过程，可能通过脂质代谢、血管生理和神经退行性相关通路（如α-突触核蛋白、淀粉样蛋白、犬尿氨酸通路）介导疾病风险。
- 主要证据
- 基于UK Biobank的多组学分析：Ret-AAE嵌入与心血管和神经疾病关联，GWAS识别相关基因，代谢组学显示与脂质代谢关联，影像组学显示与脑结构关联。
- 研究意义
- 研究为眼部影像作为全身健康的综合指标提供了证据，并为未来可解释的深度学习工具和个体化医疗方法的发展提供参考。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
验证嵌入有效性
确认嵌入能代表眼部解剖、功能和遗传特征。
进行了Pearson相关性分析、Welch t检验、Cox比例风险模型和GWAS，以验证嵌入与眼部特征、疾病和遗传变异的关联。
关联心血管疾病
评估嵌入与心血管疾病及风险因素的关联。
通过t检验和Cox模型分析基线及未来疾病关联，通过Pearson相关分析影像与心血管性状关联，通过CCA和SPLS分析代谢组关联，通过LDSC分析遗传相关。
关联神经退行性疾病
评估嵌入与神经退行性疾病及神经影像特征的关联。
通过t检验和Cox模型分析疾病关联，通过Pearson相关分析神经性状关联，通过基因集分析识别相关通路。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 影像预处理 | Topcon OCT设备 | Topcon | 文中未明确说明 |
| AutoMorph | -- | -- | |
| 模型训练 | PyTorch | -- | -- |
| Weights and Biases | -- | -- | |
| 代谢组分析 | Nightingale Health | Nightingale Health | -- |
| 遗传分析 | REGENIE | -- | -- |
| GCTA-COJO | -- | -- | |
| MAGMA | -- | -- | |
| plink2 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 影像质量控制和预处理 | OCT图像质量评分≥40；CFP图像分级为'usable'或'good'；OCT使用slice 64；图像尺寸224x224；数据分割70:15:15；图像变换参数 阅读提示：Methods：'Imaging quality control'和'Image preprocessing' |
| 模型训练 | 超参数：学习率、权重衰减、损失权重（CFP: 感知损失0.2，判别器损失0.001；OCT: 判别器损失0.0001）；批大小32；训练轮数（CFP: 400, OCT: 250）；随机种子42；GPU型号（4x T4） 阅读提示：Methods：'Autoencoder model architecture and training' |
| 表型关联分析 | 左眼影像；协变量：年龄、遗传性别；疾病定义（首次发生目录）；剔除事件先于影像的参与者；每嵌入Bonferroni校正；剔除每组少于30的样本 阅读提示：Methods：'OCT- and CFP-AAE phenotypic association tests'和'Cox proportional hazards and Welch's t-test analyses' |
| 遗传分析 | 仅限欧洲血统；QC标准（排除性别不一致、染色体异常、亲属关系等）；变异QC（MAF、缺失率、HWE）；GCTA COJO参数（窗口1500kb）；MAGMA基因集来源；LDSC阈值 阅读提示：Methods：'Genetic analyses' |