УДК 004.8
DOI: 10.36871/2618­-9976.2025.12.007

Авторы

Сергей Александрович Ярушев,
Кандидат технических наук, научный сотрудник, Федеральный исследовательский центр «Информатика и управление» Российской академии наук
Геннадий Геннадиевич Булгаков,
Аспирант, Российский экономический университет им. Г.В. Плеханова
Александр Олегович Ануров,
Лаборант­-исследователь центра перспективных исследований в искусственном интеллекте, Российский экономический университет им. Г.В. Плеханова

Аннотация

В настоящей статье рассматривается зрачковая реакция как перспективный биомаркер при нейродегенеративных и сосудистых заболеваниях. Обобщаются результаты исследований, демонстрирующих диагностическую ценность пупиллометрии при болезни Альцгеймера, лёгких когнитивных нарушениях, инсультах и травмах головного мозга. Особое внимание уделяется применению методов искусственного интеллекта, позволяющих выявлять скрытые закономерности и строить прогностические модели. Отдельный акцент сделан на объяснимом искусственном интеллекте, обеспечивающем интерпретацию результатов и повышение доверия к алгоритмам. Проведён анализ современных работ и используемых алгоритмов машинного обучения, выявлены их сильные и слабые стороны. Также рассмотрены мобильные и автоматизированные системы пупиллометрии, расширяющие клинические возможности метода. Итогом обзора являются критическая оценка текущего состояния области и определение перспектив дальнейшего развития с акцентом на интеграцию объяснимого ИИ в практическую медицину.

Ключевые слова

зрачковая реакция
пупиллометрия
когнитивные нарушения
объяснимый искусственный интеллект
биомаркеры

Список литературы

[1] Aldughayfiq B., AlShammari F., Alshammari A. et al. (2023) Explainable AI for retinoblastoma diagnosis: Interpreting deep learning models with LIME and SHAP. Diagnostics, vol. 13, no. 11, p. 1932. DOI: 10.3390/diagnostics13111932.
[2] Antolí A., Isern N., Guillén R. et al. (2025) Using explainable machine learning and eye­tracking to differentiate children with ASD andDLD. Frontiersin Psychology, vol. 16, p. 12236183.
[3] Chayan I., Hasan M., Nahar N. et al. (2022) Explainable AI based glaucoma detection using transfer learning and LIME. ArXiv preprint, arXiv:2210.03332. URL: https://arxiv.org/abs/2210.03332.
[4] Frazier I., Kalina S., Leiser J. et al. (2023) Task­evoked pupillary response as a potential biomarker of early Alzheimer’s disease. American Journal of Alzheimer’s Disease & Other Dementias, vol. 38, p. 15333175231160010. DOI: 10.1177/15333175231160010.
[5] Gramkow M.H., Jensen C., Petersen M.N. et al. (2024) Diagnostic performance of light reflex pupillometry in Alzheimer’s disease. Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring, vol. 16, no. 1, e12628. DOI: 10.1002/dad2.12628.
[6] Gramkow M.H., Larsen R.J., Petersen M.N. et al. (2024) Light­induced pupillary responses in Alzheimer’s disease: test–retest reliability and short­term variability. Journal of Theoretical Biology, vol. 572, p. 111531.
[7] Granholm E.L., Link C., Fish S.C. et al. (2017) Pupillary responses as a biomarker of early risk for mild cognitive impairment and Alzheimer’s disease. Neurobiology of Aging, vol. 50, pp. 60–67.
[8] Keskinbora K.H., Keskinbora K. (2023) Current roles of artificial intelligence in ophthalmology. Exploratory Medicine, vol. 4, no. 1, pp. 119–134.
[9] Kremen W.S., Tu X.M., Panizzon M.S. et al. (2019) Pupillary dilation responses as a midlife indicator of risk for amnestic mild cognitive impairment. Neurobiology of Aging, vol. 83, pp. 96–104.
[10] Liu X., Zhang J., Luo F. et al. (2024) Evaluating pupil­fMRI correlation in Alzheimer’s disease models using explainable AI. Nature Communications, vol. 15, p. 53878.
[11] Lustig­Barzelay Ya., Sher I., Sharvit­Ginon I. et al. (2022) Machine learning for comprehensive prediction of high risk for Alzheimer’s disease based on chromatic pupilloperimetry. Scientific Reports, vol. 12, p. 10644. DOI: 10.1038/s41598­022­13999­0.
[12] Maxin A.J., Rizzo J.­R., Heaton S.C. et al. (2024) Quantitative smartphone pupillometry metrics may predict cerebral ischemia and ischemic penumbra in acute ischemic stroke patients. Journal of Stroke and Cerebrovascular Diseases, vol. 33, no. 9, p. 107586.
[13] Maxin A.J., Rizzo J.­R., Heaton S.C. et al. (2024) Smartphone­based pupillometry using machine learning to detect sports­related concussion. JMIR Neurotechnology, vol. 3, no. 1, e58398. DOI: 10.2196/58398.
[14] Mitschang D., Sydorenko V., Kühlwein D. et al. (2025) Quantitative pupillometry as a sensitive biomarker for detecting subtle neurological impairment in mild traumatic brain injury – a pilot study. Neurol Sci, no. 46(10), pp. 5243–5251. DOI: 10.1007/s10072­025­08405­2.
[15] Park C., Kim J., Han M. et al. (2025) Automated quantitative pupillometry as a predictor for brain herniation detection in acute ischemic stroke. PLoS ONE, vol. 20, no. 2, e0316358. DOI: 10.1371/journal.pone.0316358.
[16] Romagnoli M., Vignatelli L., Liguori R. (2024) Chromatic pupillometry for evaluating melanopsin retinal ganglion cell functionality in neurological diseases. Frontiers in Psychology, vol. 15, 1295129. DOI: 10.3389/fpsyg.2023.1295129.
[17] Scala I., Campagna G., Cosenza A. et al. (2025) Automated pupillometry is a predictor of outcome of stroke. Brain Communications, vol. 7, no. 2, fcaf056.
[18] Scala I., Gambaccini M., Monaco M. et al. (2024) Automated pupillometry is able to discriminate patients with acute stroke from healthy subjects: An observational, crosssectional study. Brain Sciences, vol. 14, no. 6, p. 616. DOI: 10.3390/brainsci14060616.
[19] Sparks S., O’Connor M. L., Kallmyer T. et al. (2023) The impact of Alzheimer’s disease risk factors on pupillary response. Frontiers in Neuroscience, vol. 17, 1248640. DOI: 10.3389/fnins.2023.1248640.
[20] Zandi B., Khanh T.Q. (2021) Deep learning­based pupil model predicts time and spectral dependent light responses. Scientific Reports, vol. 11, p. 120. DOI: 10.1038/s41598­020­79908­5.