美国国立卫生研究院的研究人员利用人工智能 (AI) 提升了一种高分辨率眼细胞图像创建技术。他们发现 AI 使成像过程快了 100 倍，并将图像对比度提高了 3.5 倍。这一进展为研究人员研究与年龄相关的黄斑变性 (AMD) 和其他视网膜疾病提供了更有效的工具。专家们认为，人工智能的进步将为研究人员评估与年龄相关的黄斑变性 (AMD) 和其他视网膜疾病提供更好的方式。
“人工智能正在帮助克服成像视网膜细胞的一个主要限制，即时间，”NIH 国家眼科研究所临床和转化成像部分负责人 Johnny Tam 博士表示。
Tam 正在研究一种称为自适应光学 (AO) 的技术，以增强基于光学相干断层扫描 (OCT) 的成像设备。与超声波相似，OCT 是非侵入性的、快速的、无痛的，是大多数眼科诊所的标准设备。
使用 AO-OCT 进行成像 RPE 细胞时，面临新的挑战，例如处理一种称为散斑的现象。散斑会影响 AO-OCT 图像的清晰度，类似于云层对航空摄影的干扰。为了解决这个问题，研究人员在较长时间内连续捕捉细胞图像，使散斑随时间变化并显示细胞的不同部分。这个过程需要科学家细致地结合多幅图像，以生成清晰、无散斑的 RPE 细胞图像。此外，Tam 和他的团队还创建了一种创新的基于 AI 的方法来协助这一过程。研究人员开发了一种名为并行判别生成对抗网络 (P-GAN) 的深度学习算法。他们使用这种方法，通过输入近 6000 张手动分析的 AO-OCT 获得的人类 RPE 图像及其对应的散斑原图来训练网络。目标是教会网络识别和恢复被散斑遮挡的细胞特征。
在使用新图像进行测试时，P-GAN 有效地去除了 RPE 图像中的散斑，揭示了细胞细节。它能够产生可与手动方法相比的结果，后者涉及捕捉和平均 120 幅图像。团队使用各种性能指标来评估算法的有效性。
在细胞形态和结构方面，P-GAN 的表现优于其他 AI 方法。NEI 临床和转化成像部分的博士后研究员 Vineeta Das 博士认为，P-GAN 将成像获取和处理时间缩短了约 100 倍。P-GAN 还提供了更高的对比度，比之前高出约 3.5 倍。
“自适应光学将基于 OCT 的成像提升到了一个新水平，”Tam 说道。“这就像是从阳台座位转换到前排座位，进行视网膜成像。通过 AO，我们可以以细胞级别分辨率揭示 3D 视网膜结构，能够关注很早的疾病迹象。”
虽然将 AO 添加到 OCT 提供了比 OCT 更好的细胞视图，但在拍摄后处理 AO-OCT 图像更耗时。Tam 最近的研究集中在视网膜色素上皮 (RPE) 上，它是位于感光视网膜后面的组织层。RPE 支持代谢活跃的视网膜神经元，包括光感受器。视网膜负责捕获、处理和将光转换为通过视神经传递到大脑的信号。科学家们特别感兴趣于研究 RPE，因为许多视网膜疾病发生在这一区域。
随着 RPE 的退化，Tam 建议 combinar AI 与 AO-OCT 可能有助于克服与 AO-OCT 进行常规临床成像的重大障碍，尤其是对于影响 RPE 的疾病，这一领域历史上一直难以成像。
“我们的研究结果表明，AI 有潜力彻底改变图像获取方式，”Tam 表示。“我们的 P-GAN 人工智能有潜力使 AO 成像更易于进行常规临床使用，并用于研究威胁视力的视网膜疾病的结构、功能和病理生理学。将 AI 视为成像系统的一个不可或缺的部分，而不仅仅是工具，是关键。”应用 AI 辅助的自适应光学光学相干断层扫描，该技术可以揭示被散斑遮挡的活体人类视网膜细胞，是 AI 领域的重要转变。
