非侵入性眼部扫描使医生能够在不给患者带来不适或疼痛的情况下，对眼睛表面下方进行放大、三维观察。在全球诊所中常规使用的这种扫描技术，能够产生眼睛内部各层的详细视图，帮助诊断威胁视力的疾病。但这种高精度也带来了大量的数据——每次扫描产生数百张图像，医生必须手动审查，这是一个耗时且容易出现人为错误的过程。
现在，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，开发了一种实验性人工智能（AI）系统，可以加速扫描审查过程，帮助医生更早发现眼部疾病的细微迹象。该技术称为OCTCube-M，包含三个AI模型，旨在读取和解释眼睛视网膜的3D图像以及其他类型的眼部扫描。
在一项新研究中，研究人员发现，与旧模型相比，新的AI系统更准确地识别了八种不同的视网膜疾病，包括年龄相关性黄斑变性——一种损害视网膜的常见疾病，是50岁以上人群失明的主要原因。该系统在预测这种疾病的严重形式——地理性萎缩的进展速度方面也更加准确。
描述该技术在研究阶段的发现最近发表在《自然生物医学工程》杂志上。
"当今的眼部扫描为医生提供了前所未有的、高度详细的眼睛内部视图，揭示了原本无法检测到的结构和细微变化，"该研究的共同通讯作者、圣路易斯华盛顿大学医学院眼科与视觉科学Arthur W. Stickle杰出教授兼John F. Hardesty, MD眼科与视觉科学系主任Aaron Lee博士说。
"但我们仍然缺乏帮助医生处理生成图像量的工具。我们的AI系统有可能使医生能够更快地做出诊断，更精确地定制治疗方案，并设计临床试验，更快地将新疗法带给患者。"
此外，研究表明，该模型可以推断眼睛以外的健康风险，仅基于视网膜成像就能预测心脏病发作、中风和肾衰竭等结果。视网膜中的微小血管在解剖学和发育上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睛中留下痕迹。
Lee说："该模型有可能将简单的眼部检查转变为帮助检测眼睛以外疾病的强大工具。"它为早期检测、更精确的监测以及可能更好的治疗结果打开了大门，对于那些否则可能直到疾病进展到更严重阶段才被诊断出的患者来说尤其如此。"
数据海洋中的诊断针
据世界卫生组织统计，全球至少有22亿人存在视力障碍。一种称为光学相干断层扫描的成像方法通过一次快速扫描生成数百张横截面图像，共同形成视网膜和视神经的详细3D图像，从而改变了导致视力丧失的疾病的诊断和治疗。它可以揭示青光眼、黄斑变性和糖尿病视网膜病变等不同眼疾的早期迹象。
与此同时，AI已成为处理大型医疗数据集的有力工具，Lee及其同事在该领域做出了显著贡献。几年前，他们在《自然》杂志上发表了一项研究结果，描述了一种在二维视网膜图像中诊断眼疾比旧模型更好的模型。
由于该模型是在2D断层扫描图像上训练的，研究人员试图确定添加3D断层扫描图像是否能进一步改善疾病诊断和预后。因为疾病通常在视网膜中心负责阅读文本和识别人脸所需的清晰、详细视觉的小凹（fovea）周围三个维度上延伸，他们假设在3D图像上训练模型将提供更完整和准确的组织视图。为此，研究人员使用了超过26,000张3D光学相干断层扫描图像，包含162万个单独的视网膜切片——视网膜的横截面图像——来训练OCTCube-M。
与在2D图像上训练的模型相比，OCTCube-M在八种视网膜疾病中的六种识别准确率提高了约4至6个百分点。这意味着该工具每1,000名眼疾患者中能额外发现43至60例。这一结果适用于从多个临床场所、不同成像方式和多样化患者群体中获取的扫描。
该模型识别的八种疾病包括主要影响眼睛后部（包括视网膜和视神经）的严重疾病。它们共同构成了视力丧失的主要原因，并与糖尿病、高血压和心血管疾病等其他疾病相关联。
研究人员包括圣路易斯华盛顿大学医学院眼科与视觉科学Jane Hardesty Poole杰出教授Cecilia S. Lee博士；华盛顿大学Paul G. Allen计算机科学与工程学院助理教授Sheng Wang博士；以及旧金山生物技术公司基因泰克的高级AI科学家Miao Zhang博士。他们通过添加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，对3D模型进行了改进。
Aaron Lee解释说，通过将光学相干断层扫描与另外一种或两种成像类型结合，AI模型可以构建对眼睛的更完整视图，并更深入地了解内部发生的情况。事实上，基于所有三种成像类型训练的模型在预测黄斑变性的严重形式——地理性萎缩的生长速率方面表现出色，平均优于仅基于视网膜眼底自发荧光图像训练的当前最先进的模型近50%。
地理性萎缩影响全球约500万人，且有效的治疗选择很少。通过提供有关病情生长速率的信息，Lee及其同事的工具可以有效检测和分类疾病阶段，研究人员可以利用这些信息设计针对该疾病的潜在疗法的更好临床试验。
Lee说："通过更好地预测疾病恶化的速度，我们可以进行更小、更有效的研究。"这可以降低成本，缩短测试新疗法所需的时间，减少暴露于无效治疗的人数，并帮助有效药物更快地到达患者手中。"
接下来，圣路易斯华盛顿大学医学院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。
【全文结束】