美国国立卫生研究院的研究人员将人工智能应用于一种能够生成眼睛细胞高分辨率图像的技术。他们报告称，借助人工智能，成像速度提高了100倍，图像对比度提高了3.5倍。这项技术进步对于研究年龄相关性黄斑变性（AMD）及其他视网膜病变具有重要意义。
美国国家眼科研究所临床和转化成像部门的Johnny Tam博士致力于研发一种名为自适应光学的改进技术，以配合现有的光学相干断层扫描（OCT）设备工作。尽管OCT是目前眼科诊所广泛使用的无创、快速和无痛的成像技术，但AO-OCT在对RPE细胞成像时遇到了散斑现象这一难题，导致获取清晰图像的时间较长且过程复杂。
Tam及其团队设计了一种名为并行判别器生成对抗网络（P-GAN）的深度学习算法，通过训练该网络识别和修复由散斑引起的模糊细胞特征。他们提供了大约6,000张经过人工分析的带有相应散斑原始图像配对的AO-OCT采集的人类RPE图像，从而训练P-GAN。
在实际应用中，P-GAN成功消除了RPE图像中的散斑效应，恢复了细胞的精细结构，并且单次图像捕获就能达到过去需要采集并平均120张图像才能达到的效果，大大提高了成像效率。P-GAN不仅将图像采集和处理时间缩短了约100倍，还提升了约3.5倍的图像对比度，其在各种客观性能指标上的表现优于其他AI技术。
Tam指出，通过AI与AO-OCT的结合，可以消除将自适应光学应用于常规临床成像的一大障碍，特别是在需要对RPE进行精确成像的视网膜疾病研究中。RPE对于维持视网膜健康至关重要，许多视网膜病变都始于RPE损伤。
总结来说，Tam团队的工作展示了AI如何根本性地变革成像过程，将AI融入整个成像系统的运行而非仅仅作为后期处理工具，这标志着人工智能在医学成像领域内的一个重大范式转变。通过这种方法，研究者们有望更快速、准确地捕捉和解析视网膜疾病的早期迹象，从而推动治疗手段的发展。
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-