核心要点
- RRTGAN将视网膜扫描数据需求减少75%，提升像素分辨率，实现早期疾病检测。
- 该技术增强对年龄相关性黄斑变性和糖尿病视网膜病变的早期检测能力，便于及时干预。
- RRTGAN在图像保真度和感知指标上优于ESRGAN和SwinIR，确保图像准确自然。
- 该方法通过早期干预和频繁监测，有望提升临床效率和患者预后。
残差变换生成对抗网络（RRTGAN）能从最小数据输入生成高质量、细胞级视网膜图像，克服了以往缓慢且繁琐的成像方法的局限。
美国国立卫生研究院（NIH）研究人员开发了一种新型人工智能和视网膜扫描成像方法，据最近发表在《npj人工智能》期刊上的结果显示，该方法将所需数据量减少了四分之三。该技术现已更接近临床应用。
这种人工智能方法称为残差中的残差变换生成对抗网络（RRTGAN），与成像技术结合时可分辨眼中的单个视锥受体细胞。该技术在临床环境中仅需四分之一的数据量即可生成眼部3D地图，并提升像素分辨率。
NIH国家眼科研究所（NEI）研究员、该研究资深作者谭俊彦（Johnny Tam）博士在新闻稿中表示：“将最先进的眼科成像技术交到医疗保健提供者手中，将极大提升早期检测视网膜疾病的能力，并指导治疗以防止视力丧失。”
更早检测到细胞级变化意味着临床医生可以更早进行治疗干预，从而更有效地保护患者视力。该技术有助于发现视锥外节尖端（COST）层的细微变化，这些变化是早期年龄相关性黄斑变性检测的关键生物标志物，在视力严重丧失前即可识别。此外，快速、高分辨率的扫描允许更频繁、更高效地监测糖尿病引起的视网膜微血管变化。
当前的自适应光学成像方法，称为自适应光学光学相干断层扫描（AOOCT），过程漫长且对患者和临床医生来说负担较重。它要求患者保持静止，同时拍摄数百张视网膜图像，导致生成大量数据。
临床医生可以选择拍摄更少但分辨率更高的图像，但这可能影响诊断的全面性。
为测试RRTGAN的有效性，谭俊彦博士及其同事招募了四名参与者并测试了四只眼睛，将RRTGAN与其他AI方法ESRGAN和SwinIR进行比较。RRTGAN在峰值信噪比（PSNR）上 consistently achieved superior results，展示了更好的像素级保真度。此外，RRTGAN获得了85.8的弗雷歇 inception 距离（FID）分数，优于ESRGAN的104.4和SwinIR的127.8。
RRTGAN在与人类视觉判断一致的感知指标上也表现更优，特别是通过深度图像结构和纹理相似度（DISTS）和学习感知图像块相似度（LPIPS）测试。
DISTS是一种用于测量AI图像与原始图像相似度的指标，LPIPS是一种以符合人类感知方式判断两幅图像相似度的指标。
与ESRGAN和SwinIR相比，RRTGAN在DISTS误差上减少了29%，在LPIPS误差上减少了31%。这意味着RRTGAN恢复的图像对人类观察者来说看起来更自然、更准确。关键的是，细胞间距分析证实该AI没有产生幻觉数据，确保了临床可靠性。
【全文结束】
