携手健康网携手健康网

新的基于AI的算法可以比传统技术更快 更准确地处理组织充氧数据

组织氧合是生物组织中氧水平的量度,并且是组织活力的有用的临床生物标记。异常水平可能表明存在败血症,糖尿病,病毒感染或肺部疾病等疾病,有效的监测对于手术指导和医疗护理至关重要。

存在几种用于测量组织氧合的技术,但是它们都有一些局限性。例如,脉搏血氧饱和度测定法坚固耐用且成本低廉,但不能提供局部的氧合测量。另一方面,由于压敏接触探针,近红外光谱易于产生噪声测量。空间频域成像(SFDI)已经成为一种很有前途的非接触式技术,可以在广阔的视野内绘制组织中的氧气浓度。SFDI虽然易于实施,但也有其自身的局限性:它需要一系列由几张图像组成的序列才能使其预测准确,并且在处理单个快照时容易出错。

在《生物医学光学杂志》上发表的一项新研究中,约翰·霍普金斯大学的研究人员,梅森·T·陈(Meson T. Chen)和尼古拉斯·J·杜尔(Nicholas J. Durr)提出了一种端到端技术,用于从单个快照中准确计算组织氧合,称为OxyGAN。他们使用称为条件生成对抗网络(cGAN)的一类机器学习框架开发了这种方法,该框架利用两个神经网络(生成器和鉴别器)同时对相同的输入数据进行处理。生成器学习生成逼真的输出图像,而鉴别器学习确定给定图像对是否对给定输入形成正确的重构。

研究人员使用传统的SDFI,在两种不同波长(659和851 nm)的照明下,获得了人食道(离体),手脚(体内)和猪结肠(体内)的氧合图。他们用脚和食道样本对OxyGAN进行了培训,并保存了手和结肠样本以供以后测试其性能。此外,他们将其性能与基于物理模型的单快照技术和由深度学习模型(用于预测光学特性)和物理模型(用于计算组织氧合)的两步混合技术进行了比较。

研究人员发现,OxyGAN不仅可以准确测量氧含量,而且还可以测量其在训练过程中(人脚)所见的样本(人的手和猪结肠)的氧合度,从而证明了该模型的鲁棒性。与单快照模式和混合模式相比,它的性能分别为24.9%和24.7%。而且,科学家优化了OxyGAN,使其计算速度比混合模型快10倍,从而能够以25 Hz的频率进行实时映射。FrédéricLeblond,《生物医学光学杂志》副主编,评论说:“本文不仅代表了可为空间频域成像的实际临床实施做出贡献的重大进展,而且还将成为使用AI发布的相对较小(尽管规模迅速增加)的稳健出版物的一部分类型的方法来处理真实的生物医学光学数据。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。