2017년 11월 6일
망막 뇌와 눈에 띄는 유사성을 공유 하 고 따라서 비 접촉 맥 관 구조와 뇌의 신경 구조를 공부 하는 독특한 창을 나타냅니다. 이 프로토콜에는 망막 이미징 기술을 사용 하 여 치 매를 공부 하는 방법을 설명 합니다. 이 방법은 잠재적으로 치 매 진단 및 위험 평가에 도움이 됩니다.
본 프로토콜의 전체적인 목표는 망막 영상 기술을 사용하여 망막의 혈관 및 신경 구조를 정량화하는 방법을 설명하는 것입니다. 이는 뇌의 치매 관련 변화를 반영할 수 있으며, 잠재적으로 치매의 진단 및 위험 평가에 도움을 줄 수 있습니다. 망막은 뇌와 배아 발생 기원, 해부학적 특징 및 생리학적 특성이 유사하므로, 치매를 연구할 수 있는 독특하고 접근 가능한 창을 제공합니다. 이제 비침습적이고 비용 효율적이며 사용이 쉽고 널리 보급된 고급 망막 영상 기술을 통해 망막의 혈관 및 신경 변화를 영상화하고 정량화할 수 있습니다.
치매, 특히 알츠하이머병의 현재 바이오마커는 제한적입니다. 향후 인지 기능 저하 및 초기 치매 발병을 예측할 수 있는 새로운 바이오마커나 검사법을 개발하는 것은 전 세계적인 연구 우선순위입니다. 본 실험 절차의 시연은 저희 연구팀의 Victor, Tiffany, Fangyao가 맡아 진행하겠습니다.
이 절차를 시작하려면 산동제를 사용하여 피험자의 동공을 확장시킵니다. 그런 다음, 충분한 동공 확장이 이루어질 때까지 최소 15분 동안 대기합니다. 다음으로, 안저 카메라를 켜고 컴퓨터에서 이미지 캡처 프로그램을 실행합니다.
피험자의 턱을 턱받침에 제대로 올리고, 이마를 헤드 스트랩에 밀착시킵니다. 그 다음, 조절 레버를 움직여 광선이 피험자의 동공에 정확히 맞도록 정렬합니다. 안저 카메라의 뷰파인더에서 조명 지점이 양측 모두에서 가장 작게 보일 때까지 정렬하십시오.
시신경 유두가 뷰파인더 중앙에 위치하고 관심 영역이 이미지 범위 내에 충분히 들어올 때까지 피험자의 눈을 안내하며 외부 고정 표적을 이동시킵니다. 그다음, 초점 조절 노브를 조정하여 망막에 초점을 맞춥니다. 피험자가 외부 고정 표적을 단단히 응시하도록 요청하고, 피험자의 눈에 눈물이 고여 있지 않은지 확인하십시오.
그런 다음 셔터 버튼을 눌러 이미지를 캡처합니다. 이후 모든 이미지는 판독 가능한 해상도의 tiff 형식으로 저장합니다. 고품질의 망막 이미지를 얻기 위해서는 환자의 동공을 충분히 확장시키는 것이 중요하며, 촬영 중에 환자가 고정 표적을 똑바로 응시하도록 안내해야 합니다.
자동 트레이싱을 위해 컴퓨터 보조 분석 프로그램으로 이미지를 엽니다. 왼쪽 기능 패널에서 OD Center 버튼을 클릭합니다. 마우스 커서가 녹색 원으로 바뀝니다.
다음으로, 시신경 유두 중심을 왼쪽 클릭하여 녹색 원을 고정시킨 후, Find OD 버튼을 클릭하여 소프트웨어가 시신경 유두 테두리를 감지하고 새로운 측정 그리드를 배치하도록 합니다. 이제 Process 버튼을 클릭하여 혈관의 자동 추적 프로세스를 시작하십시오. 혈관 라벨이 잘못 지정된 혈관을 왼쪽 클릭하여 선택하고 Vessel Type 버튼을 클릭하여 혈관 유형을 변경하십시오.
Add Segment 버튼을 클릭하고, 커서를 사용하여 불완전한 혈관 추적선의 말단 부분을 클릭함으로써 이를 연장하십시오. 그 후, 혈관을 따라 지점들을 좌클릭하여 혈관 추적선을 연장합니다. 혈관의 말단 부위가 측정 그리드 바깥으로 벗어나는 경우에는 가장 바깥쪽의 흰색 원에서 추적을 중단하십시오.
이어서, Find Covers 버튼을 클릭하여 모든 혈관 세그먼트에 혈관 덮개(vessel covers)를 자동으로 배치합니다. 혈관 덮개가 혈관 벽과 수직으로 배치되지 않았거나, 혈관이 다른 혈관 아래에 가려져 있는 경우, 또는 혈관 덮개가 내부 루멘(internal lumen)의 너비를 과대 또는 과소평가한 경우에는 해당 혈관 덮개를 비활성화하십시오. 망막 혈관 파라미터를 정확하게 측정하기 위해서는 잘못 추적된 혈관 라인을 적절하게 조정해야 합니다.
이 단계들을 숙달하려면 반복적인 연습과 경험 많은 채점자의 지도가 필요할 수 있습니다. 채점 창을 닫고 팝업 대화 상자의 전송을 클릭하여 채점된 이미지를 클라우드 기반 서버에 업로드하고, 혈관 구경, 프랙탈 차원, 굴곡도, 분지각 및 분지 계수와 같이 자동으로 측정된 망막 혈관 파라미터를 기록하십시오. 이미지 획득을 수행하려면 OCT 프로그램을 열고 황반 큐브 스캔 프로토콜을 선택하여 새로운 황반 스캔을 시작하십시오.
다음으로, 턱 받침대를 조정하여 홍채 뷰포트 내에서 동공의 위치를 잡습니다. AutoFocus 버튼을 클릭한 다음 Optimize 버튼을 클릭하여 이미지 품질을 개선하고, 버튼 주변의 테두리가 녹색으로 변하면 Capture 버튼을 클릭하여 스캔을 시작합니다. 시신경 유두에 대해 시신경 유두 큐브 스캔 프로토콜을 사용하여 추가 스캔을 수행하고 스캔 결과를 저장합니다.
그 후, 분석 인터페이스에서 양안의 황반 큐브 스캔 기록을 선택합니다. 신경절 세포 OU 분석을 클릭하여 캡처된 이미지의 GC IPL 두께를 평가하는 자동 분석 알고리즘을 시작합니다. 그런 다음, 분석 결과물을 pdf 형식으로 저장합니다.
그 다음, 분석 인터페이스에서 양안의 시신경 유두 큐브 스캔 기록을 선택합니다. ONH 및 RNFL OU 분석을 클릭하여 캡처된 이미지의 RNFL 두께를 평가하는 자동 분석 알고리즘을 시작하고, 분석 결과물을 pdf 형식으로 저장합니다. 안저 사진은 망막 혈관계를 평가하는 데 사용할 수 있으며, 이는 결과적으로 뇌 미세순환 상태를 반영합니다.
이 사진들은 건강한 피험자와 AD 피험자의 안저 사진입니다. 건강한 피험자와 비교했을 때, AD 피험자는 더 좁은 혈관 구경, 더 작은 망막 혈관 프랙탈 차원, 그리고 더 높은 망막 혈관 굴곡도를 보였습니다. 광간섭 단층촬영(Optical coherence tomography)은 망막 신경 구조를 평가하는 데 사용될 수 있으며, 이는 결과적으로 뇌 신경의 상태를 반영합니다.
이 정상 피험자의 두께 맵은 RNFL 및 GC-IPL의 정상적인 두께 분포를 보여줍니다. 분석 알고리즘은 또한 측정된 두께를 연령별 표준 데이터베이스와 비교하여 유의성 맵을 생성합니다. 이 피험자는 모든 섹터가 녹색 또는 흰색으로 표시되어 정상으로 분류됩니다.
이 두 그림은 AD 피험자의 분석 결과물을 보여줍니다. 두께 맵의 파란색 영역에서 알 수 있듯이, 이 AD 피험자는 RNFL 및 GC-IPL의 일부 영역에서 얇아짐이 나타납니다. 유의성 맵의 빨간색 및 노란색 섹터 또한 해당 영역의 GC-IPL 또는 RNFL의 얇아짐이 기기의 연령 매칭 표준 데이터베이스와 비교했을 때 비정상임을 나타냅니다.
숙달되면 전체 과정을 1시간 이내에 완료할 수 있습니다. 이 방법은 비침습적이며 신뢰도 높게 수행될 수 있어, 단기와 장기 모두에서 반복적인 측정을 쉽게 획득할 수 있습니다. 망막은 중추신경계의 비침습적이고 직접적인 영상화를 가능하게 하므로, 이는 연구자들이 치매가 미세혈관 및 신경 구조에 미치는 영향을 평가할 수 있는 길을 열어줍니다.
망막 미세혈관 순환 및 신경 구조의 변화 또한 치매, 특히 알츠하이머병과 연관이 있는 것으로 밝혀졌습니다. 이러한 절차 이후에 인지 기능 검사와 다른 신경 영상 기법을 추가로 수행하여 치매에 관한 다른 정보들을 수집할 수 있습니다. 이 영상을 시청하고 나면 망막 카메라, 광간섭 단층촬영(OCT), 컴퓨터 보조 분석 프로그램을 사용하여 망막 영상을 얻고, 망막의 혈관 및 신경 변화를 객관적으로 정량화하는 방법에 대해 충분히 이해하게 될 것입니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
본 프로토콜은 망막 영상 기술을 사용하여 망막의 혈관 및 신경 구조를 정량화하는 방법을 설명합니다. 이러한 방법은 뇌의 치매 관련 변화를 반영하며, 치매의 진단 및 위험 평가에 도움을 줄 수 있습니다.
망막 영상 촬영은 치매와 관련된 초기 혈관 및 신경 변화를 감지할 수 있는 비침습적이고 확장 가능한 접근 방식을 제공하며, 전임상 및 임상 위험 평가를 위한 중개 바이오마커 플랫폼을 제공합니다. 망막과 뇌 사이의 공유된 배아 발생학적 및 생리학적 특성을 활용함으로써, 이 방법은 신경퇴행성 질환 프로그램의 타겟 검증 및 기전적 리스크 감소를 지원합니다. 경제성과 광범위한 가용성 덕분에 종단적 연구 및 다기관 임상 시험에 통합이 가능하며, 초기 단계의 발굴 파이프라인에서 예측 신뢰도를 높여줍니다.
이 방법은 타겟 검증부터 리드 최적화에 이르는 발견 연속체에 통합되어, 전임상 후보 물질 선정 및 질환 모델 적격성 평가에 필요한 기전적 통찰력을 제공합니다.