主要观点总结
美国国立卫生研究院团队将人工智能技术与常规临床成像相结合，实现了在活体人类视网膜中拍摄到细胞级图像，分辨率堪比自适应光学技术，这一成果为眼科疾病的早期筛查和诊疗带来了重大突破。该研究通过在临床成像设备中使用定制镜头附加装置和深度学习模型，成功提升了成像分辨率，并展示了AI增强图像在揭示视网膜色素上皮（RPE）细胞细节方面的潜力。
关键观点总结
关键观点1: 研究背景及意义
随着生物医药光学成像技术的发展，在活体人体内进行细胞级成像成为可能。然而，高端技术受限于专业设备，难以在日常临床实践中广泛应用。此次研究成功证明了AI技术在提升临床成像分辨率方面的巨大潜力，为细胞级成像技术在临床诊断中的应用奠定了基础。
关键观点2: 研究方法
研究团队采用了硬件和软件两种主要方法来提升常规临床成像的分辨率。硬件方面，他们使用了定制镜头附加装置，安装在现有的临床成像设备上，以增强设备的放大能力。软件方面，他们使用了一种名为分层循环生成对抗网络（stratified cycleGAN）的深度学习模型，通过训练将低分辨率图像转换为高分辨率的AI增强图像。
关键观点3: 研究成果
研究结果显示，AI增强图像在分辨率和对比度上均有显著提升，与自适应光学成像高度相似。在健康受试者中，AI增强图像能够清晰地揭示视网膜色素上皮（RPE）细胞的分布特征；在眼部疾病患者中，AI增强图像同样展现出了强大的潜力，为医生提供了宝贵的信息。
关键观点4: 研究亮点与挑战
此次研究的最大亮点在于将AI技术与现有的临床成像设备完美结合，提高了成像效率并降低了成本。然而，这一技术的应用也面临着诸多挑战，如确保AI模型在不同患者中的普适性、提高AI增强图像的准确性和可靠性等。
关键观点5: 展望与启示
未来，随着AI技术的不断发展和训练数据的不断丰富，基于AI的图像增强技术有望在更多的医学影像领域中得到应用。但也需要警惕责任陷阱等挑战，逐步探索和完善这一技术在临床实践中的应用。
正文
研究团队采用了两种主要方法来提升常规临床成像的分辨率，以期捕捉到 RPE细胞的清晰图像。
首先，他们引入了一种硬件解决方案——定制镜头附加装置（HMM）。这种装置被安装在现有的临床成像设备——光眼底镜（SLO）上，通过增强设备的放大能力，使传统的临床成像系统具备了更高的分辨率。结果显示，搭载了HMM的SLO能够拍摄出与自适应光学（AO）成像相媲美的RPE细胞图像，尽管在对比度和清晰度上略逊一筹，但已经足以让医生初步识别出 RPE细胞的轮廓。
然而，硬件升级并非此次研究的核心突破。真正的亮点在于基于AI的软件解决方案
——一种名为分级循环生成对抗网络（stratified cycleGAN）的深度学习模型。研究团队收集了大量由AO和传统成像设备拍摄的视网膜图像，并将这些图像对输入到 stratified cycleGAN模型中进行训练。该模型能够学习AO图像的特征和细节，并将其应用到传统成像图像上，从而生成与AO图像高度相似的增强图像。
在训练过程中，研究者们采用了半监督伪标签技术对AO图像进行质量分级，使得模型能够根据图像质量的不同来调整增强策略。经过训练的模型可以
将低分辨率的传统成像图像转换为高分辨率的AI增强图像，且整个过程仅需约3分钟，相较于传统的AO成像技术，时间效率提升了近220倍
。
研究结果：
AI图像 vs AO图像：谁更胜一筹？
研究招募了22名健康个体和4名患有不同类型眼部疾病（AMD、视网膜色素变性等）的患者。通过对比健康人与多种眼病患者的成像结果发现：在健康受试者中，无论是传统的临床成像设备还是搭载了HMM的设备，均能够在一定程度上捕捉到 RPE 细胞的荧光马赛克图案。尽管这些图像的分辨率低于AO成像，但已经足够让研究人员识别出RPE细胞的分布特征。而经过stratified cycleGAN处理后的AI增强图像，在分辨率和对比度上均有显著提升，与AO图像高度相似，RPE细胞的轮廓和排列清晰可见，甚至能够揭示出细胞间的细微差异。
在眼部疾病患者的实验中，AI增强图像同样展现出了强大的潜力
。尽管这些患者的RPE细胞可能存在异常，但经 AI 处理后的图像依然能够准确地呈现出细胞的形态和分布，为医生提供了宝贵的信息。
