夜雨聆风华盛顿大学医学院的研究人员开发了一种实验性人工智能系统，旨在解读眼睛视网膜的3D图像，用于疾病诊断。每张视网膜的3D图像都由数百个2D切片组成。
非侵入性眼部扫描使医生能够以三维视角放大观察眼球表面下的结构，而不会给患者带来任何不适或疼痛。这种扫描技术已在全球诊所广泛应用，能够生成眼球内部各层结构的详细图像，帮助诊断威胁视力的疾病。然而，如此高的精度也带来了海量数据——每次扫描会产生数百张图像，医生必须手动审核，这是一个耗时且容易出现人为错误的流程。
如今，圣路易斯华盛顿大学医学院的研究人员与西雅图华盛顿大学和基因泰克公司的同事合作，开发出一种实验性人工智能（AI）系统，可以加快扫描结果的解读速度，帮助医生更早地发现眼部疾病的细微迹象。这项名为OCTCube-M的技术包含三个AI模型，旨在读取和解读眼部视网膜的3D图像以及其他类型的眼部扫描图像。
在一项新的研究中，研究人员发现，与旧模型相比，新的人工智能系统能够更准确地识别八种不同的视网膜疾病，包括年龄相关性黄斑变性——一种常见的视网膜损伤疾病，也是50岁以上人群失明的主要原因。该系统在预测一种名为地图状萎缩的严重黄斑变性疾病的进展速度方面也更加准确。
描述该技术研究阶段的研究成果最近发表在《自然生物医学工程》杂志上。
“如今的眼部扫描技术为医生提供了前所未有的、高度精细的眼内图像，揭示了以往难以察觉的结构和细微变化，”该研究的共同通讯作者、华盛顿大学圣路易斯分校医学中心眼科与视觉科学系主任兼亚瑟·W·斯蒂克尔杰出教授亚伦·李医学博士表示，“但我们仍然缺乏帮助医生处理海量图像的工具。我们的人工智能系统有望帮助医生更快地做出诊断，更精准地制定治疗方案，并设计临床试验，从而更快地将新疗法带给患者。”
此外，该研究表明，该模型不仅能预测眼部健康风险，还能推断其他健康风险，仅凭视网膜成像即可预测心脏病发作、中风和肾衰竭等疾病。视网膜中的微小血管在解剖结构和发育过程中与肾脏中的血管相同，导致心脏和大脑供血血管壁内斑块积聚的过程也会在眼部留下痕迹。
“这种模式有望将简单的眼科检查变成一种强大的工具，帮助检测眼部以外的疾病。它为早期发现疾病、更精准地监测病情以及为那些可能直到病情发展到更晚期才被确诊的患者带来更好的治疗效果打开了大门。”
在海量数据中寻找诊断的针
据世界卫生组织统计，全球至少有22亿人患有视力障碍。光学相干断层扫描（OCT）成像技术彻底改变了视力障碍的诊断和治疗方式。它只需一次快速扫描，即可生成数百张横截面图像，这些图像共同构成视网膜和视神经的详细三维图像。OCT能够及早发现多种眼部疾病的早期迹象，例如青光眼、黄斑变性和糖尿病视网膜病变等。
与此同时，人工智能已成为处理大型医疗数据集的强大工具，Lee及其同事在该领域做出了显著贡献。几年前，他们在《自然》杂志上发表了研究成果，描述了一种模型，该模型在诊断二维视网膜图像中的眼部疾病方面优于旧模型。
由于该模型是基于二维断层扫描图像进行训练的，研究人员试图确定添加三维断层扫描图像是否能进一步提高疾病的诊断和预后。由于疾病通常会在视网膜中央凹（视网膜中心的一个小凹陷，负责阅读文字和识别人脸所需的清晰、精细的视觉）周围三维扩散，他们假设使用三维图像训练模型能够提供更完整、更准确的组织视图。为此，研究人员使用了超过26,000张三维光学相干断层扫描图像（包含162万个独立的视网膜切片，即视网膜的横截面图像）来训练OCTCube-M模型。
与基于二维图像训练的模型相比，OCTCube-M 在识别八种视网膜疾病中的六种方面准确率提高了约 4 至 6 个百分点。这意味着该工具在每 1000 名眼病患者中额外发现了 43 至 60 例病例。这一结果适用于来自多个临床中心、采用不同成像方式以及不同患者群体的扫描数据。
该模型识别出的八种疾病包括主要影响眼后部（包括视网膜和视神经）的严重疾病。这些疾病是导致视力丧失的主要原因，并且与其他疾病（例如糖尿病、高血压和心血管疾病）密切相关。
研究人员包括华盛顿大学医学院眼科和视觉科学简·哈迪斯蒂·普尔杰出教授李塞西莉亚医学博士、华盛顿大学保罗·G·艾伦计算机科学与工程学院助理教授王晟博士以及旧金山生物技术公司基因泰克高级人工智能科学家张淼博士，他们随后通过添加来自另外两种眼部成像技术（红外视网膜成像和眼底自发荧光成像）的数据来调整 3D 模型。
Aaron Lee解释说，通过将光学相干断层扫描与其他一种或两种成像方式相结合，人工智能模型可以构建更完整的眼部图像，并更深入地了解眼内发生的情况。事实上，基于所有三种成像方式训练的模型在预测严重黄斑变性——地图状萎缩的增长率方面表现出色，其预测能力比目前仅基于视网膜眼底自发荧光图像训练的最先进模型平均高出近50%。
地图状萎缩症影响着全球约500万人，目前有效的治疗方法寥寥无几。Lee及其同事开发的工具能够提供病情进展速度的信息，从而有效地检测和分期疾病阶段，研究人员可以利用这些信息来设计更完善的临床试验，以评估潜在的治疗方法。
“通过更准确地预测疾病恶化的速度，我们可以开展规模更小、效率更高的研究。这可以降低成本，缩短新疗法的测试时间，减少接受无效治疗的人数，并帮助有效药物更快地惠及患者。”
接下来，华盛顿大学医学中心的研究人员将使用包含更多患者、更多疾病甚至更多类型成像数据的更大数据集来训练 OCTCube-M，以继续改进它。
参考文献
A 3D multi-modal foundation model for optical coherence tomography.
