荧光寿命成像眼底镜（FLIO）是一种新兴的有价值的工具，能够揭示视网膜变化与系统性疾病之间以前隐藏的联系。
荧光寿命成像眼底镜提供了一种新的视网膜成像方法，通过AI-READI项目使人工智能驱动的系统性健康洞察成为可能。（图片来源：AdobeStock/Sam Efendi）
随着研究人员继续探索视网膜作为系统性健康的窗口，Aaron Y. Lee博士认为，荧光寿命成像眼底镜（FLIO）提供了一个新颖且未充分探索的维度。Lee博士是华盛顿大学眼科系C. Dan和Irene Hunter捐赠教授，最近被任命为圣路易斯华盛顿大学医学院眼科和视觉科学系主任，并将担任Arthur W. Stickle杰出教授。他将于2025年9月1日开始新职务。
在2025年6月于德国海德堡举行的国际SPECTRALIS研讨会（ISS）上，Lee博士介绍了如何将FLIO数据整合到“人工智能准备和公平的糖尿病洞察图谱”（AI-READI）项目中。眼科护理网络执行编辑Sheryl Stevenson与Lee博士进行了进一步交流。
请解释FLIO在视网膜成像中的重要性及其数据如何贡献于AI-READI项目的目标。
Aaron Y. Lee, MD, MSCI: FLIO是一种相对较新的实验模式，我们希望荧光寿命成像能提供有助于理解糖尿病如何影响黄斑的见解。在AI-READI项目中，我们已经有许多成熟的视网膜成像模式：彩色眼底照相、红外成像、眼底自体荧光、光学相干断层扫描（OCT）和OCT血管成像。这些模式已经提供了与系统性健康标志物的良好关联。我们希望通过系统地收集大量的FLIO数据，为更大的研究社区提供一个研究资源，并解锁从视网膜到身体其他部位的新关联。
在FLIO数据可以有效地用于机器学习或AI模型之前，需要进行哪些预处理步骤？
Lee: 对于机器学习，当前AI-READI中的数据形式很容易分析。数据以3D数组的形式存储在DICOM中，任何DICOM阅读器都可以轻松读取数据。我们在z轴上编码了每皮秒的原始光子计数，这样当你滚动浏览体积时，你实际上是在滚动浏览时间序列。我们的数据集面临的挑战是它不适用于传统的曲线拟合或相位图工具。
在将FLIO数据与其他多模态数据集对齐时遇到了哪些挑战，您是如何解决这些问题的？
Lee: 将FLIO数据与其他模式对齐相对简单。我们为每个参与者提供了直接链接文件，并展示了如何使用这些文件来提取一致的数据。我们为每个模式提供了一系列元数据文件，使研究人员能够轻松找到他们感兴趣的图像，而无需逐一浏览所有文件。
您如何确保从基于FLIO数据训练的AI模型中得出的见解具有可解释性和临床相关性？
Lee: 目前FLIO分析的状态对于理解什么是临床上相关的或有趣的还相对不成熟。FLIO的一个主要挑战是传统方法需要手动调整参数以获得良好的拟合，这很难大规模复制和再现结果。
您是否通过AI驱动的分析观察到FLIO数据中只有通过这种方法才能揭示的新的模式或生物标志物？
Lee: 我们在2025年的ISS会议上展示了一些初步工作。我们发现某些血液测试标志物与AI-READI数据集中黄斑中心凹区域的FLIO信号之间存在剂量依赖关系。虽然这只是初步结果，但非常令人兴奋，因为这可能表明荧光寿命中存在与系统性健康标志物直接相关的潜在关联。
(全文结束)
