无创眼部扫描让医生能够无痛、无不适地深入观察眼球表面以下的三维结构。这种扫描在全球诊所中常规使用，能详细显示眼球内部各层结构，帮助诊断威胁视力的疾病。但这种高精度也带来了海量数据——每次扫描产生数百张图像，医生必须手动逐一审查，这不仅耗时，还容易出现人为错误。
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及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。该技术名为OCTCube-M，包含三个AI模型，旨在读取和解释眼球视网膜的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系统能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——一种损害视网膜、导致50岁以上人群失明的主要疾病。该系统还能更准确地预测一种严重形式的黄斑变性（称为地理性萎缩）的进展速度。
描述该技术研究阶段成果的论文最近发表在《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眼球内部高细节视图，揭示了原本难以检测的结构和细微变化，"该研究的共同通讯作者、华盛顿大学医学院眼科与视觉科学系Arthur W. Stickle杰出教授兼John F. Hardesty, MD眼科与视觉科学系主任Aaron Lee医学博士表示，"但我们仍然缺乏帮助医生处理大量生成图像的工具。我们的AI系统有望赋能医生更快做出诊断、更精准地定制治疗方案，并设计更有效的临床试验，让新疗法更快地惠及患者。"
此外，该研究还表明，该模型可以推断眼部以外的健康风险，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堆积的过程也会在眼睛中留下痕迹。
"该模型有望将简单的眼部检查转变为帮助检测眼部以外疾病的强大工具，"Lee表示，"它为早期检测、更精准监测和潜在更好的治疗结果打开了大门，让那些原本可能要等到疾病严重得多才会被诊断出来的患者受益。"
在数据的海洋中寻找诊断的"针"
根据世界卫生组织的数据，全球至少有22亿人存在视力障碍。一种名为光学相干断层扫描(OCT)的成像方法通过一次快速扫描生成数百张横截面图像，这些图像共同形成视网膜和视神经的详细3D图像，彻底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、糖尿病视网膜病变等多种眼部疾病的早期迹象。
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重要贡献。几年前，他们在《自然》杂志上发表了一项研究，描述了一个在二维视网膜图像上诊断眼部疾病方面优于旧模型的系统。
由于该模型是在2D断层扫描图像上训练的，研究人员希望确定添加3D断层扫描图像是否能进一步改善疾病诊断和预后。因为疾病通常在黄斑中心凹（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、详细视觉）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、更准确的组织视图。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上识别准确率提高了约4-6个百分点。这意味着该工具在每1000名患有眼部疾病的个体中能多发现43-60个病例。这一结果在来自多个临床场所、不同成像方式和多样化患者群体的扫描中均得到了验证。
该模型识别的八种疾病包括主要影响眼球后部（包括视网膜和视神经）的严重疾病。这些疾病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。
研究人员包括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医学博士、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Genentech的高级AI科学家Miao Zhang博士。他们通过添加来自另外两种眼部成像技术的数据——红外视网膜成像和眼底自发荧光成像——来调整3D模型。
Lee解释道，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模型可以构建更完整的眼部视图，并更深入地理解内部发生的情况。事实上，在三种成像类型上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度方面表现出色，平均比仅在视网膜眼底自发荧光图像上训练的当前最先进的模型高出近50%。
地理性萎缩影响全球约500万人，目前有效的治疗选择很少。通过提供有关病情生长速度的信息，Lee及其同事的工具可以有效检测和分类疾病的阶段，研究人员可以利用这些信息设计更好的针对该疾病的潜在疗法的临床试验。
"通过更好地预测疾病恶化的速度，我们可以开展更小、更高效的试验，"Lee说，"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，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，以继续改进该系统。
【全文结束】