人工智慧使視網膜成像速度提高100倍

美國國立衛生研究院的研究人員將人工智慧應用於一種能夠生成眼睛細胞高解析度圖像的技術。他們報告稱，藉助人工智慧，成像速度提高了100倍，圖像對比度提高了3.5倍。這項技術進步對於研究年齡相關性黃斑變性（AMD）及其他視網膜病變具有重要意義。

美國國家眼科研究所臨床和轉化成像部門的Johnny Tam博士致力於研發一種名為自適應光學的改進技術，以配合現有的光學相干斷層掃描（OCT）設備工作。儘管OCT是目前眼科診所廣泛使用的無創、快速和無痛的成像技術，但AO-OCT在對RPE細胞成像時遇到了散斑現象這一難題，導致獲取清晰圖像的時間較長且過程複雜。

Tam及其團隊設計了一種名為並行判別器生成對抗網路（P-GAN）的深度學習演算法，通過訓練該網路識別和修復由散斑引起的模糊細胞特徵。他們提供了大約6,000張經過人工分析的帶有相應散斑原始圖像配對的AO-OCT採集的人類RPE圖像，從而訓練P-GAN。

在實際應用中，P-GAN成功消除了RPE圖像中的散斑效應，恢復了細胞的精細結構，並且單次圖像捕獲就能達到過去需要採集並平均120張圖像才能達到的效果，大大提高了成像效率。P-GAN不僅將圖像採集和處理時間縮短了約100倍，還提升了約3.5倍的圖像對比度，其在各種客觀性能指標上的表現優於其他AI技術。

Tam指出，通過AI與AO-OCT的結合，可以消除將自適應光學應用於常規臨床成像的一大障礙，特別是在需要對RPE進行精確成像的視網膜疾病研究中。RPE對於維持視網膜健康至關重要，許多視網膜病變都始於RPE損傷。

總結來說，Tam團隊的工作展示了AI如何根本性地變革成像過程，將AI融入整個成像系統的運行而非僅僅作為後期處理工具，這標誌著人工智慧在醫學成像領域內的一個重大範式轉變。通過這種方法，研究者們有望更快速、準確地捕捉和解析視網膜疾病的早期跡象，從而推動治療手段的發展。