神经变性疾病诊断方法优于人类主导的方法

OCT、自适应光学和神经网络的结合有可能更好地诊断和监测眼睛和大脑疾病（如青光眼），这项疾病损害神经元。该组合是人工智能驱动过程的一部分，它是由杜克大学（Duke University）生物医学工程师作为多机构联合的领导者开发的，他们能够轻松准确地跟踪眼睛中视网膜节细胞的数量和形状。节细胞是眼睛中处理并向大脑发送视觉信息的主要神经元之一。在许多神经变性疾病中，如青光眼，节细胞在退化和消失，这导致不可逆转的失明。OCT 是一种基于光的成像技术，可以在眼组织层下进行成像，以诊断和跟踪此类疾病的恶化。然而，该技术只足够敏感到显示细胞层的厚度，它缺乏揭示单个节细胞所需的灵敏度。这妨碍了早期诊断或快速跟踪疾病恶化的能力，因为大量的节细胞需要消失，医生才能看到厚度的变化。在这项工作中，合作研究人员使用自适应光学 OCT（AO-OCT）来对单个节细胞进行成像，其灵敏度满足查看单个节细胞。作为一种独立的技术，自适应光学可最大限度地减少检查眼睛时发生的光学畸变的影响。这些畸变现象是实现高分辨率OCT成像能力的主要限制因素。

AO-OCT（上部）生成的图像，以及WeakGCSeg算法识别和跟踪眼睛（底部）的节细胞形状的结果。Duke Biomedical Engineering供图。

杜克大学生物医学工程学教授Sina Farsiu说，尽管AO-OCT更容易诊断神经变性疾病，但较高的分辨率会产生大量数据，从而给使用这种方法的图像分析带来瓶颈。研究人员的新论文中介绍该问题解决方案是使用一种高度自适应且易于训练的深度学习算法来识别和跟踪 AO-OCT 扫描中节细胞的形状。研究人员说，开发的算法是首次执行这种识别和追踪的任务。研究人员将该算法整合到一种方法中，即 WeakGCSeg，以分析来自健康受试者以及青光眼患者视网膜的 AO-OCT 数据。该框架根据存在节细胞的数量和大小，可高效准确地从两个样本中分离出神经节细胞，并识别出哪些样本来自青光眼病人的眼睛。

"我们的实验结果表明，WeakGCSeg实际上优于人类专家，而且它优于其它能够处理体积生物医学图像的先进网络，"Farsiu实验室的博士后研究员Soltanian-Zadeh说。除了诊断，研究小组相信这种方法将更容易进行神经退行性疾病疗法的临床试验。例如，在一项测试青光眼疗法的研究中，与研究中使用的对照组相比，WEAKGCSeg可用于观察该疗法是否减缓了细胞退化。单单是OCT，任何变化的第一个迹象就需要成百上千的细胞死亡，这可能需要几个月或几年的时间。 "有了我们的技术，你就能量化最早的变化，"Farsiu说。

该研究的下一步是与来自FDA、印第安纳大学（Indiana University）和马里兰大学（University of Maryland）的合作者一起，将该方法应用于更多的患者群体。研究小组还希望将WeakGSeg扩展到不同的细胞类型，如光感受器，以及眼睛的其它疾病，如色素性视网膜炎。Farsiu说，研究表明，神经节细胞层的变化与中枢神经系统疾病有关，如阿尔茨海默氏症、帕金森病和ALS，这项开发的技术可以进一步研究这种联系，并发现生物指标来改善对这些疾病的诊断和治疗。

这项研究发表在《Optica》(www.doi.org/10.1364/OPTICA.418274).