定量相位成像（QPI）是一种广泛用于研究细胞和组织的显微镜技术。尽管基于QPI的首个生物医学应用已开发，但获取速度和图像质量仍需提高，以确保广泛接受。来自赫尔莫兹-德雷斯登-罗斯登研究中心（HZDR）的戈尔利茨先进系统理解中心（CASUS）、伦敦帝国学院和伦敦大学学院的科学家建议利用一种称为色差的光学现象——通常会降低图像质量——利用标准显微镜制作合适的图像。通过采用生成性AI模型，只需一次曝光即可获得适合于生物医学应用的QPI所需图像质量。
该团队在二月下旬在美国费城举办的人工智能促进协会（AAAI）第39届年会上展示了这项工作。相应的经过同行评审的会议论文将在3月晚些时候发布。
用染料或其他试剂标记生物样本可以揭示有价值的见解。但这种方法存在一些缺陷，阻碍了其在临床诊断中的广泛使用：所需设备耗时且成本高昂，还需要试剂。因此，过去几年的研究主要集中在某些无标记的显微镜方法，如QPI。在这里，感兴趣的不仅是样本吸收或散射的光的强度。利用散射信息，QPI还捕获了样本如何改变通过它的光的相位——这一变化与其厚度、折射率及其他结构特性直接相关。虽然QPI也需要相当昂贵的设备，但计算QPI则不然。
最突出的计算QPI方法之一是求解强度传输方程（TIE）。这个微分方程可以根据记录的相位变化计算出样本的图像。该方法易于集成到现有的光学显微镜设置中，并且能够产生高质量的图像。缺点是，TIE方法通常需要对不同的焦距进行多次采集以消除伪影。处理穿透焦点堆栈可能耗时且技术要求较高，因此这种基于TIE的QPI类型在临床环境中往往不可行。
利用色差
“我们的方法依赖于与TIE相似的原理，但只需要一张图像，因为通过Physics和生成AI的巧妙结合，”CASUS年轻研究员组的领导者及在AAAI会议中展示该工作对应作者Artur Yakimovich教授说。由生物样本引起的相位偏移的信息并不来自于使用其他焦距进行的附加曝光。由于一种称为色差的现象，可以从一次曝光生成穿透焦点堆栈。显微镜的大多数镜头系统无法将所有波长的（多色）白光完美聚焦到一个单一的收敛点——而只有高度专业化的镜头才能校正这一缺陷。这意味着例如红色、绿色和蓝色（RGB）光的焦距略有不同。“通过使用常规RGB检测器分别记录这三种波长的相位偏移，可以构建一个穿透焦点堆栈，从而促进计算QPI，将这一缺陷转化为资产，”Yakimovich解释道。
“使用色差来实现QPI面临一个挑战：红光焦点与蓝光焦点之间的距离非常小，”CASUS的博士生Gabriel della Maggiora说，他是出版物的两位主要作者之一。按照标准方法求解TIE并不能产生有意义的结果。“我们认为可以使用人工智能。结果证明，这个想法是决定性的，”della Maggiora补充道。“在用一个包含120万张图像的开放数据集训练生成性AI模型后，模型能够提取相位信息，尽管仅依赖于记录的非常有限的数据输入。”
在真实的临床样本上验证方法
该团队借鉴了去年春天提出的一种用于图像质量改善的生成性AI模型：条件变分扩散模型（CVDM）。它属于一种称为扩散模型的生成性AI模型特定家族。开发者强调，训练CVDM所需的计算工作量显著低于训练其他扩散模型，同时结果相同甚至更好。利用CVDM策略，della Maggiora和同事们开发了一种适用于定量数据的新型扩散模型。通过这个模型，他们最终能够实现基于色差的计算QPI。他们使用一个配备商用彩色相机的常见明场显微镜来验证他们基于生成性AI的方法，以从真实的临床样本制作显微图像：在分析人尿样本中的红血球时，方法能够揭示这些细胞的甜甜圈状形态，而另一种已建立的基于计算的TIE方法无法做到。另一个额外优点是，利用这种新的基于生成性AI的定量相位成像变体计算的图像几乎没有云伪影。
Yakimovich小组“感染与疾病的机器学习”开发新型计算技术用于显微镜，这些技术可以立即应用于临床环境。在诊断方面潜力巨大。所使用的技术中包括生成性AI。由于生成性AI容易产生虚假结果，该小组的主要关注点是减少这些结果。在这里，结合基于物理的元素是关键方法。如基于AI的定量相位成像示例所示，这种方法非常有前景。
