人工智能辅助临床荧光成像实现媲美自适应光学眼底镜的活体细胞分辨率

针对临床常规成像设备难以实现视网膜色素上皮(RPE)细胞级分辨率的问题，美国国立眼科研究所团队创新性地将人工智能(AI)与标准吲哚菁绿(ICG)荧光成像相结合，通过分层循环生成对抗网络(stratified cycleGAN)技术，使常规扫描激光检眼镜(SLO)图像分辨率提升8倍，获得与自适应光学(AO)成像相当的RPE细胞图像，时间效率提高220倍。该突破为年龄相关性黄斑变性(AMD)等视网膜疾病的早期筛查提供了临床可行的细胞级检测方案。

　　

在眼科诊疗领域，观察视网膜色素上皮(RPE)细胞的细微变化对早期诊断年龄相关性黄斑变性(AMD)、视网膜色素变性等致盲性疾病至关重要。虽然自适应光学(AO)技术能实现活体细胞级成像，但这类研究级设备因操作复杂、成本高昂难以普及。临床常用的扫描激光检眼镜(SLO)虽普及率高，但其10-15μm的分辨率仅勉强达到RPE细胞尺寸下限（中央凹处约14μm）。如何突破这一"看得见但看不清"的技术瓶颈，让细胞级检测走进常规临床实践，成为亟待解决的难题。

美国国立卫生研究院国立眼科研究所的Joanne Li、Jianfei Liu等研究人员在《Communications Medicine》发表的研究中，开创性地将人工智能(AI)作为"虚拟AO模块"，通过26只健康眼和4只病变眼的对照实验证明：基于分层循环生成对抗网络(stratified cycleGAN)的AI增强技术，可使常规ICG荧光图像分辨率提升至AO水平。这项研究不仅揭示了RPE细胞间距随年龄增长(≥40岁增加8%)和性别差异(女性比男性大8%)的规律，更通过220倍的时间效率提升，为临床转化铺平了道路。

关键技术包括：1）多模态成像：采用定制AO系统(790nm SLD成像/880nm SLD波前传感)与商用SLO(Spectralis)同步采集ICG标记的RPE图像；2）硬件增强：测试高倍放大模块(HMM)的细胞分辨能力；3）AI训练：利用1430对AO-常规图像训练分层cycleGAN，通过半监督伪标记进行图像质量分级(0-2级)；4）定量分析：采用梯度幅值算法评估图像锐度，基于Voronoi图分析RPE细胞间距/密度。

【Eccentricity, sex and age dependent changes in RPE revealed using adaptive optics】
通过AO-ICG成像建立了迄今最大活体RPE细胞参数数据库：中央凹处细胞密度最高(6419±1224 cells/mm²)，向颞侧5mm处降至4444±801 cells/mm²；≥40岁群体RPE间距显著增大(p=1×10^-4)，女性比男性间距大8%(p=2×10^-10)，这些发现为建立RPE衰老的生物学标志物奠定了基础。

【Visualizing RPE cells using standard clinical scanning laser ophthalmoscopy】
突破性发现常规SLO(30°视野)和HMM附件均可识别RPE细胞：在6例对照眼中，三种成像方式测得的细胞间距无统计学差异(p=0.68-0.99)，证明临床设备本身已具备捕获细胞级信息的物理基础，只是受限于噪声和低对比度而难以解析。

【AI-assisted imaging achieves cellular-level resolution faithful to high end AO imaging】
AI增强使常规ICG图像特征锐度提升8.3±5.9倍(p=0.0024)：在AMD、卵黄样黄斑营养不良等疾病模型中，仅用健康眼数据训练的AI仍能准确增强病变RPE图像。最具颠覆性的是，生成2×0.4mm²的RPE拼图，AO需11小时(采集+处理)，而AI方案仅需3分钟(45秒采集+2分钟增强)。

这项研究的里程碑意义在于：首次证实AI可作为"分辨率放大器"弥补临床设备与AO的技术代差。分层cycleGAN的创新性在于引入图像质量分级机制，使生成器能针对不同质量的输入图像动态调整增强策略。临床转化价值体现在：1）利用现有ICG造影流程即可获取细胞信息，无需新增检查项目；2）为AMD等RPE相关疾病的超早期诊断提供可能；3）220倍效率提升使大范围筛查成为现实。未来若能扩大疾病特异性训练数据，该技术有望发展成为跨模态的通用医学图像增强平台。

需要特别指出的是，该研究也存在一定局限：当前AI模型在病变眼的泛化能力仍需验证；HMM虽能提升分辨率但易受运动伪影影响。正如作者强调，这仅是"AI辅助成像"时代的开端，随着更多临床数据的积累，这种技术融合策略或将成为突破医学成像物理极限的新范式。