眼底图片包含重要的视神经病变信息，但肉眼评价图片费时费力，且一致性、准确度不高。该文章采用卷积神经网络（convolutional neural network， CNN）模型，在近7万张由临床医生标记的眼底图片（来自英国生物样本库，UK Biobank， UKB）中训练预测模型，然后将学习到的模型应用于整个UKB的图片（85,736 人，共175,770张眼底图片），以及另外一个独立的生物样本库 -- 加拿大老龄化纵向队列（ Canadian Longitudinal Study on Aging， CLSA，29,635 人，共106,330张眼底图片）。

图1：研究设计。

该研究首先评价了CNN模型在评价眼底视盘形态中的准确性。文章发现AI与临床医生对眼底图片评价的一致性高于两个临床医生之间的一致性，而且基于AI的GWAS可以显著发现更多的遗传易感位点。同时，基于AI的视盘形态其遗传度估计值也增加约50%。这些数据表明AI对眼底视盘形态的评价要优于眼科医生。

图2：遗传度估计。

基于英国生物样本库及加拿大老龄化纵向队列，该研究系统评价了视盘形态、眼内压及青光眼患病风险在不同种族中的差异。文章指出，非洲人群的青光眼风险显著高于欧洲人，可能与其杯盘比相对较大，眼内压较高有关，而矫正这两个因素，非洲人的青光眼风险接近欧洲人。相较于欧洲人，东亚人的杯盘比相对较大、眼内压偏低，综合这两个因素，东亚人和欧洲人青光眼患病风险相似。而南亚人杯盘比较大，眼内压与欧洲人接近，当矫正杯盘比时其青光眼风险接近欧洲人。

图3&4：不同种族中杯盘比、眼内压的分布及青光眼风险。

在杯盘比和视盘直径的GWAS分析中，该研究鉴定了200多个遗传风险位点，其中一半为首次报道。在230个杯盘比的易感基因位点中，131个可能与青光眼相关（P < 0.05），68个满足多重检验矫正（P < 0.05/230 = 2.2 × 10−4），这些基因包括：RBPMS, AFAP1, LMX1B, ABCA1, CAV1, 及 GAS7。

图5&6：杯盘比GWAS的发现及其在青光眼基因易感位点中的验证。

本研究展现了AI技术在基因组学研究中的光明应用前景。AI具有省时省力，准确度高的优点，当结合大型的生物样本库时，将有力地推动生物医学大数据的研究。

相关论文信息：

https://doi.org/10.1016/j.ajhg.2021.05.005