| 主動監測與早期發現為神經血管退化性疾病治療之關鍵。臨床上多數腦血管與心血管疾病的風險累積與器官損傷，往往在「發作」之前已經悄悄進行多年。然而，我們用來確認診斷疾病的第一線檢查（如：腦部電腦斷層、磁振造影、冠狀動脈攝影等）不是侵入性高、就是成本高且不適合作為長期追蹤工具。視網膜是人體中少數能以非侵入方式直接觀察微血管與神經組織的部位，長期被視為觀察全身微循環與神經健康的重要窗口。隨著光學斷層掃描血管造影（optical
coherence tomography angiography, OCT-A）技術成熟，微米尺度的視網膜微血管結構與神經層次得以清楚呈現，並可於臨床流程中快速取得大量可量化之影像生物標記。近年研究顯示，結合機器學習（machine
learning, ML）對 OCT-A 影像與衍生指標進行分析，有助於篩檢或風險分層阿茲海默症、腦中風及心血管疾病等眼外神經血管疾病。本文以臨床可讀的角度，綜述
OCT-A 影像標記與全身性神經血管疾病之關聯、整理目前常見的 ML 分析框架，並討論AI將來在多模態大語言模型Multimodal-Large
Language Model 能力逐漸成熟後，不僅可以協助我們在既有臨床知識之外，發現過去不易察覺的器官連結與疾病線索。( 臨床醫學
2026; 98: 607-14） |
