引用本文： 趙露, 陳雅楠, 姜彬, 凌賽廣, 王艷玲. 視網膜血管形態特征參數與缺血性腦卒中的相關性分析. 中華眼底病雜志, 2022, 38(12): 1001-1005. doi: 10.3760/cma.j.cn511434-20220919-00502 復制
視網膜血管是唯一可在活體上觀察到的人體終末血管，與腦血管系統有相似胚胎學起源、解剖和生理特征，為臨床研究腦卒中提供了可視化“窗口”。通過眼底彩色照相不僅能了解眼底血管、神經狀況，還能發現一些與慢性疾病相關的早期改變。大量研究證實，彩色眼底像上發現的視網膜微血管異常與腦卒中相關，可作為腦血管病的潛在標志物，用作腦卒中風險分層工具[1]。本研究采用基于人類視覺仿生機制研發的眼底圖像分析系統，分析缺血性腦卒中與視網膜血管形態特征參數的相關性，以期尋找缺血性腦卒中患者眼底相關指標，以利于該病的無創篩查及早期預警。現將結果報道如下。
1 對象和方法
回顧性臨床研究。本研究經首都醫科大學附屬北京友誼醫院倫理委員會批準（倫理號：2018-P2-209-02）。患者均獲知情并簽署書面知情同意書。
2015年5月至2017年5月于首都醫科大學附屬北京友誼醫院神經內科檢查確診的缺血性腦卒中患者73例（缺血性腦卒中組）納入本研究。選取同期就診且年齡匹配并經頭顱CT和（或）核磁共振成像（MRI）檢查排除急性腦卒中的卒中患者146例作為對照組，患者均無腦卒中病史及癥狀。
納入標準：（1）年齡＞50 歲，缺血性腦卒中發生后6～12個月。（2）符合《中國急性缺血性腦卒中診療指南2018》急性缺血性腦卒中診斷標準[2]：急性發病；局灶神經功能缺損（一側面部或肢體無力或麻木，語言障礙等），少數為全面神經功能缺損；影像學出現責任病灶（頭顱MRI檢查DWI相有強信號顱內病灶）或癥狀和（或）體征持續時間＞24 h；排除非血管性病因；腦CT和（或）MRI檢查排除腦出血。排除標準： MRI或CT血管成像檢查禁忌癥；無腦外傷史；無明確其他原因導致的腦卒中，如血管炎、煙霧病等；無腦出血、腦積水；無腦腫瘤或占位；伴有以下眼部疾病：嚴重白內障、角膜病變等屈光間質混濁無法獲得清晰的眼底圖像，青光眼，屈光度＞±3.0 D，葡萄膜炎，糖尿病視網膜病變、視網膜動脈阻塞、視網膜靜脈阻塞等視網膜血管性疾病，視網膜色素變性，視神經炎、前部缺血性視神經病變等視神經病變，任何視網膜手術史、激光光凝治療史，不能配合眼科檢查。
收集患者年齡、性別、身高、體重、體重指數（BMI）以及與腦卒中相關高血壓、高血脂、糖尿病、冠心病病史，吸煙、飲酒史。BMI=體重/身高2（kg/m2）。高血壓定義為收縮壓≥140 mm Hg和（或）舒張壓≥90 mm Hg（1 mm Hg=0.133 kPa），或既往明確診斷高血壓正在服用降壓藥；高血脂、糖尿病、冠心病病史為有病史記錄接受治療或住院治療腦卒中后明確診斷為高血脂、糖尿病、冠心病。吸煙：平均吸煙≥1 支/ d，且連續或累計1年以上。飲酒：平均飲酒 ＞50 g/d，飲酒時間連續或累計1年以上。
缺血性腦卒中組患者均為TOAST分型[3]中的大動脈粥樣硬化型和小動脈閉塞型。兩組患者年齡、性別、BMI以及高血壓、高血脂、糖尿病、冠心病病史和飲酒史比較，差異均無統計學意義（P ＞ 0.05）；吸煙史比較，差異有統計學意義（P＜0.05）（表1）。
表1
對照組、缺血性腦卒中組受檢者基線資料比較
采用日本Kowa公司Nonmyd免散瞳眼底照相機行眼底彩色照相檢查。拍攝以黃斑為中心45°。彩色眼底像。所有圖像采集均由統一培訓合格的技術員完成。眼底圖像分析采用人工智能（AI）眼底圖像分析系統（EVision AI） [4]進行。首先對感興趣區域進行提取、去噪、歸一化以及增強等預處理[5-6]，以提高圖像內部特征邊緣的銳利度，降低圖像間的差異。其后將基于深度學習的網絡模型與基于視覺注意機制的邊緣提取算法相結合[7]，分別對視網膜血管特征和視盤進行分割和識別，并基于動脈和靜脈在眼底圖像上所呈現出的顏色、紋理以及相互間的線性關系和拓撲關系區分動靜脈（圖1）。之后以視盤為參考，基于血管識別分割結果量化視網膜特征參數，具體包括距離視盤邊緣0.5～1.0個視盤直徑（DD）范圍內的平均視網膜動脈管徑、視網膜靜脈管徑、血管彎曲度（動脈和靜脈）；全局血管分支夾角、全局視網膜血管分形維數和血管密度。血管分支夾角定義為距離視盤邊界2.0 DD范圍內主血管與分支血管夾角的平均值。分形維數反映復雜形體占有空間的有效性，是復雜形體不規則形的量度。血管密度為眼底單位面積內的血管面積。缺血性腦卒中組患者中，單側病變者選取病變同側眼部參數，雙側病變者及對照組受檢者采用隨機數字表法隨機選擇右眼或左眼數據納入統計學分析。
圖1
視網膜血管分析示意圖。1A示原圖；1B示視網膜血管分割結果；1C示動靜脈識別結果及0.5～1.0 DD范圍示意，紅色標注為動脈，藍色標注為靜脈，綠色圓環由內到外分別是距離視盤邊緣0.5、1.0 DD位置。DD：視盤直徑
采用SPSS26.0軟件行統計學分析。滿足正態分布的計量資料以均數±標準差（
）表示，采用獨立樣本t檢驗；不服從正態分布的計量資料以中位數（下四分位數，上四分位數）[M（QL，QU）]表示，采用Mann-Whitney U檢驗。計數資料采用χ2檢驗。二元logistic回歸向前法分析眼部參數與缺血性腦卒中的相關性。P＜0.05為差異有統計學意義
2 結果
與對照組比較，缺血性腦卒中組患者視網膜動脈管徑更細，視網膜血管分形維數、視網膜血管密度更小，差異均有統計學意義（P ＜0.05）；兩組患者視網膜靜脈管徑、血管彎曲度和分支夾角比較，差異無統計學意義（P＞0.05）（表2）。
表2
對照組、缺血性腦卒中組受檢者視網膜血管量化參數比較
以有無缺血性腦卒中為因變量，將性別和有統計學意義的變量納入二元logistic回歸分析。相關性分析結果顯示，吸煙、視網膜血管分形維數、視網膜動脈管徑與缺血性腦卒中密切相關（P ＜ 0.01）（表3）。
表3
Logistic 回歸分析視網膜血管量化參數與缺血性腦卒中的相關性分析結果
3 討論
眼底彩色照相具有簡便、快捷、經濟、無創的特點，是通過眼底篩查全身疾病的重要手段。研究表明，視網膜血管管徑是腦卒中事件的重要標志物之一[8]。基于人口學的大樣本研究結果顯示，視網膜微血管異常與腦卒中發病顯著相關，是預測腦卒中發病的重要因素[9-10]。隨著眼底彩色照相設備的技術進步和計算機輔助分析技術應用，可以定量分析視網膜血管參數。視網膜血管的定量觀察應用于多個基于人群的腦卒中研究 [3,11-12]，但其結果缺乏普遍一致性。分析其可能原因是腦卒中病因及分類分型復雜多樣，腦卒中類型不同，其相關的視網膜血管參數亦不同，如腔隙性卒中可見靜脈擴張，其他卒中類型可見小動脈狹窄[13]。本研究結果顯示，與對照組比較，缺血性腦卒中組患者的視網膜動脈管徑更細，差異有統計學意義；進一步矯正腦卒中的危險因素后，視網膜動脈管徑與缺血性腦卒中獨立相關。然而視網膜靜脈管徑差異無統計學意義。分析其原因可能為小動脈硬化先于大動脈發生，本研究缺血性腦卒中組患者為TOAST分型的大動脈粥樣硬化型和小動脈閉塞型，因此推測眼動脈發生硬化比率高。而視網膜動脈管徑可以間接反應血管硬化，因此視網膜動脈管徑這一參數更具有統計學意義。
視網膜血管管徑改變與內皮功能障礙、高血壓、缺氧等密切相關，視網膜血管幾何學改變則是受到了內皮功能障礙、組織缺氧和血視網膜屏障紊亂的影響[14]。這兩種視網膜血管改變都是由潛在的內皮功能障礙引起，而內皮功能障礙正是腦血管病的理論發病機制之一[15]。因此也有研究表明，視網膜血管幾何學改變對腦卒中的研究也十分重要。目前常用的視網膜血管幾何學參數有視網膜血管彎曲度、分支夾角、分形維數等。視網膜血管彎曲度指的是血管彎曲或扭曲的程度，當超出正常狀態時可能是疾病的早期表現[16]。分形維數測量視網膜的整體分支模式，較大的值表示更復雜的分支模式[17-18]。早期研究發現，低視網膜血管分形維數發生卒中的風險是高分形維數人群的2倍，是腦卒中的獨立危險因素[19]。近年系統綜述報道視網膜血管分形維數降低與卒中相關，缺血性卒中亞型之間分形維數的差異尚不清楚[20]。Ong 等[21]在校正了年齡、性別和血管危險因素后發現，無論是視網膜小動脈還是小靜脈的分形維數降低均與缺血性腦卒中獨立相關，并且視網膜微血管的彎曲度增加與缺血性腦卒中相關。本研究結果提示缺血性腦卒中患者具有更小的視網膜血管分形維數和視網膜血管密度，其中視網膜血管分形維數與缺血性腦卒中獨立相關。然而視網膜血管彎曲度未見相關性，與Ong等[21]的結果不一致。分析原因可能為研究納入的缺血性腦卒中類型存在差異，可能導致結果不同；其次測量方法既往研究是借助計算軟件半自動由人工對視網膜血管參數進行測量，因此血管參數測量帶有一定主觀性，測量的血管參數標準也很難保持統一，從而導致研究結果缺乏一致性。本研究采用先進的AI眼底圖像分析系統對視網膜血管幾何學參數進行測量，不僅可以全面、客觀反映視網膜血管形態特征，而且還能避免人工測量帶來的主觀干擾誤差。
隨著計算機視覺和深度學習等AI技術的發展與進步，醫學圖像的識別與分析成為研究熱點。近年利用 AI 對眼底圖像進行分析，已經實現多種常見眼底疾病的自動識別[22-23]。同時由于眼底是全身疾病監測的窗口，許多學者利用 AI 技術，通過對眼底的分析來實現對全身其他疾病的檢測篩查和預測，如心血管疾病[24]、阿爾茲海默癥[25]、腎病[26]。而在腦血管疾病研究方面，也有學者利用深度學習等 AI 技術，基于眼底影像進行風險評估和篩查模型研究，實現腦血管疾病的無創便利的人群篩查[27]。但上述研究均基于完整眼底影像進行，模型建立以深度學習為主，受制于深度學習黑盒子的特性，模型的臨床可解釋性一直是一個尚待解決的問題，從而也限制了模型的臨床應用。本研究利用AI眼底圖像分析系統具體量化視網膜血管參數，從而尋找缺血性腦卒中患者眼底改變特征性指標，為疾病的早期預警及監測管理循證研究提供了理論參考依據。
本研究的不足是單中心橫斷面研究，樣本量相對較少。考慮到不同類型腦卒中與不同視網膜血管參數相關，在擴大樣本的同時，還應進一步對腦卒中進行分型。同時尚需要進一步的縱向研究，以期通過無創的檢查發現能夠預測腦卒中的視網膜血管參數。
視網膜血管是唯一可在活體上觀察到的人體終末血管，與腦血管系統有相似胚胎學起源、解剖和生理特征，為臨床研究腦卒中提供了可視化“窗口”。通過眼底彩色照相不僅能了解眼底血管、神經狀況，還能發現一些與慢性疾病相關的早期改變。大量研究證實，彩色眼底像上發現的視網膜微血管異常與腦卒中相關，可作為腦血管病的潛在標志物，用作腦卒中風險分層工具[1]。本研究采用基于人類視覺仿生機制研發的眼底圖像分析系統，分析缺血性腦卒中與視網膜血管形態特征參數的相關性，以期尋找缺血性腦卒中患者眼底相關指標，以利于該病的無創篩查及早期預警。現將結果報道如下。
1 對象和方法
回顧性臨床研究。本研究經首都醫科大學附屬北京友誼醫院倫理委員會批準（倫理號：2018-P2-209-02）。患者均獲知情并簽署書面知情同意書。
2015年5月至2017年5月于首都醫科大學附屬北京友誼醫院神經內科檢查確診的缺血性腦卒中患者73例（缺血性腦卒中組）納入本研究。選取同期就診且年齡匹配并經頭顱CT和（或）核磁共振成像（MRI）檢查排除急性腦卒中的卒中患者146例作為對照組，患者均無腦卒中病史及癥狀。
納入標準：（1）年齡＞50 歲，缺血性腦卒中發生后6～12個月。（2）符合《中國急性缺血性腦卒中診療指南2018》急性缺血性腦卒中診斷標準[2]：急性發病；局灶神經功能缺損（一側面部或肢體無力或麻木，語言障礙等），少數為全面神經功能缺損；影像學出現責任病灶（頭顱MRI檢查DWI相有強信號顱內病灶）或癥狀和（或）體征持續時間＞24 h；排除非血管性病因；腦CT和（或）MRI檢查排除腦出血。排除標準： MRI或CT血管成像檢查禁忌癥；無腦外傷史；無明確其他原因導致的腦卒中，如血管炎、煙霧病等；無腦出血、腦積水；無腦腫瘤或占位；伴有以下眼部疾病：嚴重白內障、角膜病變等屈光間質混濁無法獲得清晰的眼底圖像，青光眼，屈光度＞±3.0 D，葡萄膜炎，糖尿病視網膜病變、視網膜動脈阻塞、視網膜靜脈阻塞等視網膜血管性疾病，視網膜色素變性，視神經炎、前部缺血性視神經病變等視神經病變，任何視網膜手術史、激光光凝治療史，不能配合眼科檢查。
收集患者年齡、性別、身高、體重、體重指數（BMI）以及與腦卒中相關高血壓、高血脂、糖尿病、冠心病病史，吸煙、飲酒史。BMI=體重/身高2（kg/m2）。高血壓定義為收縮壓≥140 mm Hg和（或）舒張壓≥90 mm Hg（1 mm Hg=0.133 kPa），或既往明確診斷高血壓正在服用降壓藥；高血脂、糖尿病、冠心病病史為有病史記錄接受治療或住院治療腦卒中后明確診斷為高血脂、糖尿病、冠心病。吸煙：平均吸煙≥1 支/ d，且連續或累計1年以上。飲酒：平均飲酒 ＞50 g/d，飲酒時間連續或累計1年以上。
缺血性腦卒中組患者均為TOAST分型[3]中的大動脈粥樣硬化型和小動脈閉塞型。兩組患者年齡、性別、BMI以及高血壓、高血脂、糖尿病、冠心病病史和飲酒史比較，差異均無統計學意義（P ＞ 0.05）；吸煙史比較，差異有統計學意義（P＜0.05）（表1）。
表1
對照組、缺血性腦卒中組受檢者基線資料比較
采用日本Kowa公司Nonmyd免散瞳眼底照相機行眼底彩色照相檢查。拍攝以黃斑為中心45°。彩色眼底像。所有圖像采集均由統一培訓合格的技術員完成。眼底圖像分析采用人工智能（AI）眼底圖像分析系統（EVision AI） [4]進行。首先對感興趣區域進行提取、去噪、歸一化以及增強等預處理[5-6]，以提高圖像內部特征邊緣的銳利度，降低圖像間的差異。其后將基于深度學習的網絡模型與基于視覺注意機制的邊緣提取算法相結合[7]，分別對視網膜血管特征和視盤進行分割和識別，并基于動脈和靜脈在眼底圖像上所呈現出的顏色、紋理以及相互間的線性關系和拓撲關系區分動靜脈（圖1）。之后以視盤為參考，基于血管識別分割結果量化視網膜特征參數，具體包括距離視盤邊緣0.5～1.0個視盤直徑（DD）范圍內的平均視網膜動脈管徑、視網膜靜脈管徑、血管彎曲度（動脈和靜脈）；全局血管分支夾角、全局視網膜血管分形維數和血管密度。血管分支夾角定義為距離視盤邊界2.0 DD范圍內主血管與分支血管夾角的平均值。分形維數反映復雜形體占有空間的有效性，是復雜形體不規則形的量度。血管密度為眼底單位面積內的血管面積。缺血性腦卒中組患者中，單側病變者選取病變同側眼部參數，雙側病變者及對照組受檢者采用隨機數字表法隨機選擇右眼或左眼數據納入統計學分析。
圖1
視網膜血管分析示意圖。1A示原圖；1B示視網膜血管分割結果；1C示動靜脈識別結果及0.5～1.0 DD范圍示意，紅色標注為動脈，藍色標注為靜脈，綠色圓環由內到外分別是距離視盤邊緣0.5、1.0 DD位置。DD：視盤直徑
采用SPSS26.0軟件行統計學分析。滿足正態分布的計量資料以均數±標準差（）表示，采用獨立樣本t檢驗；不服從正態分布的計量資料以中位數（下四分位數，上四分位數）[M（QL，QU）]表示，采用Mann-Whitney U檢驗。計數資料采用χ2檢驗。二元logistic回歸向前法分析眼部參數與缺血性腦卒中的相關性。P＜0.05為差異有統計學意義
2 結果
與對照組比較，缺血性腦卒中組患者視網膜動脈管徑更細，視網膜血管分形維數、視網膜血管密度更小，差異均有統計學意義（P ＜0.05）；兩組患者視網膜靜脈管徑、血管彎曲度和分支夾角比較，差異無統計學意義（P＞0.05）（表2）。
表2
對照組、缺血性腦卒中組受檢者視網膜血管量化參數比較
以有無缺血性腦卒中為因變量，將性別和有統計學意義的變量納入二元logistic回歸分析。相關性分析結果顯示，吸煙、視網膜血管分形維數、視網膜動脈管徑與缺血性腦卒中密切相關（P ＜ 0.01）（表3）。
表3
Logistic 回歸分析視網膜血管量化參數與缺血性腦卒中的相關性分析結果
3 討論
眼底彩色照相具有簡便、快捷、經濟、無創的特點，是通過眼底篩查全身疾病的重要手段。研究表明，視網膜血管管徑是腦卒中事件的重要標志物之一[8]。基于人口學的大樣本研究結果顯示，視網膜微血管異常與腦卒中發病顯著相關，是預測腦卒中發病的重要因素[9-10]。隨著眼底彩色照相設備的技術進步和計算機輔助分析技術應用，可以定量分析視網膜血管參數。視網膜血管的定量觀察應用于多個基于人群的腦卒中研究 [3,11-12]，但其結果缺乏普遍一致性。分析其可能原因是腦卒中病因及分類分型復雜多樣，腦卒中類型不同，其相關的視網膜血管參數亦不同，如腔隙性卒中可見靜脈擴張，其他卒中類型可見小動脈狹窄[13]。本研究結果顯示，與對照組比較，缺血性腦卒中組患者的視網膜動脈管徑更細，差異有統計學意義；進一步矯正腦卒中的危險因素后，視網膜動脈管徑與缺血性腦卒中獨立相關。然而視網膜靜脈管徑差異無統計學意義。分析其原因可能為小動脈硬化先于大動脈發生，本研究缺血性腦卒中組患者為TOAST分型的大動脈粥樣硬化型和小動脈閉塞型，因此推測眼動脈發生硬化比率高。而視網膜動脈管徑可以間接反應血管硬化，因此視網膜動脈管徑這一參數更具有統計學意義。
視網膜血管管徑改變與內皮功能障礙、高血壓、缺氧等密切相關，視網膜血管幾何學改變則是受到了內皮功能障礙、組織缺氧和血視網膜屏障紊亂的影響[14]。這兩種視網膜血管改變都是由潛在的內皮功能障礙引起，而內皮功能障礙正是腦血管病的理論發病機制之一[15]。因此也有研究表明，視網膜血管幾何學改變對腦卒中的研究也十分重要。目前常用的視網膜血管幾何學參數有視網膜血管彎曲度、分支夾角、分形維數等。視網膜血管彎曲度指的是血管彎曲或扭曲的程度，當超出正常狀態時可能是疾病的早期表現[16]。分形維數測量視網膜的整體分支模式，較大的值表示更復雜的分支模式[17-18]。早期研究發現，低視網膜血管分形維數發生卒中的風險是高分形維數人群的2倍，是腦卒中的獨立危險因素[19]。近年系統綜述報道視網膜血管分形維數降低與卒中相關，缺血性卒中亞型之間分形維數的差異尚不清楚[20]。Ong 等[21]在校正了年齡、性別和血管危險因素后發現，無論是視網膜小動脈還是小靜脈的分形維數降低均與缺血性腦卒中獨立相關，并且視網膜微血管的彎曲度增加與缺血性腦卒中相關。本研究結果提示缺血性腦卒中患者具有更小的視網膜血管分形維數和視網膜血管密度，其中視網膜血管分形維數與缺血性腦卒中獨立相關。然而視網膜血管彎曲度未見相關性，與Ong等[21]的結果不一致。分析原因可能為研究納入的缺血性腦卒中類型存在差異，可能導致結果不同；其次測量方法既往研究是借助計算軟件半自動由人工對視網膜血管參數進行測量，因此血管參數測量帶有一定主觀性，測量的血管參數標準也很難保持統一，從而導致研究結果缺乏一致性。本研究采用先進的AI眼底圖像分析系統對視網膜血管幾何學參數進行測量，不僅可以全面、客觀反映視網膜血管形態特征，而且還能避免人工測量帶來的主觀干擾誤差。
隨著計算機視覺和深度學習等AI技術的發展與進步，醫學圖像的識別與分析成為研究熱點。近年利用 AI 對眼底圖像進行分析，已經實現多種常見眼底疾病的自動識別[22-23]。同時由于眼底是全身疾病監測的窗口，許多學者利用 AI 技術，通過對眼底的分析來實現對全身其他疾病的檢測篩查和預測，如心血管疾病[24]、阿爾茲海默癥[25]、腎病[26]。而在腦血管疾病研究方面，也有學者利用深度學習等 AI 技術，基于眼底影像進行風險評估和篩查模型研究，實現腦血管疾病的無創便利的人群篩查[27]。但上述研究均基于完整眼底影像進行，模型建立以深度學習為主，受制于深度學習黑盒子的特性，模型的臨床可解釋性一直是一個尚待解決的問題，從而也限制了模型的臨床應用。本研究利用AI眼底圖像分析系統具體量化視網膜血管參數，從而尋找缺血性腦卒中患者眼底改變特征性指標，為疾病的早期預警及監測管理循證研究提供了理論參考依據。
本研究的不足是單中心橫斷面研究，樣本量相對較少。考慮到不同類型腦卒中與不同視網膜血管參數相關，在擴大樣本的同時，還應進一步對腦卒中進行分型。同時尚需要進一步的縱向研究，以期通過無創的檢查發現能夠預測腦卒中的視網膜血管參數。
