阿尔茨海默症（AD）是一种常见的神经退行性疾病，早期症状隐匿，但一旦进展至中晚期，治疗难度极大。目前，传统筛查主要依赖认知测试、脑部扫描或脑脊液检测，但这些方法成本高、操作复杂、患者配合度低，且误诊率较高，导致许多患者错过最佳干预时机。因此，开发一种非侵入、低成本、高效的AD早期诊断工具至关重要。

黄庭晖带领团队成功构建了基于视网膜OCT图像的智能诊断平台，通过深度学习模型实现阿尔茨海默病的早期筛查与动态监测，为AD的早期干预提供了新可能。

团队在志愿活动中深入学习了视网膜疾病诊断知识。项目负责人前期通过10余次代码迭代，实现了角膜图像的精细分割，为后续视网膜图像处理奠定基础。在2024年4月，团队参与Vision China国际论坛，积累视觉检测理论基础。2024年7月，通过社会实践调研结合文献研究，发现视网膜可能存在AD病变标志。在2024年8月，对1500张视网膜图像进行分割实验，历经4次方法优化，最终实现视网膜各层的精准分割。2024年11月，基于受试者视网膜图像设计智能诊断模型，经50余次算法优化，达到高精度要求。自2024年12月至今，团队搭建了智能诊断云平台，经40余次讨论改进，目前已获认可。本研究的创新点在于采用COTR技术定量分析视网膜层细微结构变化，通过迭代聚焦优化和循环一致性损失提升配准精度与稳定性，实现AD早期识别与长期监测。相比传统方法，COTR在OCT影像配准中AUC达70.0%，显著优于二维图像处理技术。

与传统PET和脑脊液检测相比，该成果大幅降低诊断成本。作为一种非侵入性检测方式，其患者配合度高、操作便捷，可提升筛查效率。这一突破不仅为AD早期诊断提供了新工具，更为基层医疗提供了可及的解决方案，具有重要的社会与经济价值。