综述：人工智能时代下的视觉假体技术

这篇综述系统回顾了视网膜与皮层视觉假体（RCPs）的技术进展，重点探讨了人工智能（AI）在优化图像显著性提取和电刺激-光幻视一致性模型中的关键作用，为提升低分辨率人工视觉的临床效果提供了创新思路。

　　

Abstract

过去几十年，侵入式视觉假体从理论概念发展为临床应用，但功能效果仍受限。本文综述了视网膜与皮层视觉假体（RCPs）的现状，并探讨人工智能（AI）如何通过优化图像处理和电刺激策略提升其性能。

Background

全球约4300万盲人患者面临视觉康复需求。传统感官替代装置通过触觉或听觉传递视觉信息，而现代RCPs通过微电极阵列直接刺激视网膜或视觉皮层，诱发光幻视（phosphenes）以重建基础视觉。

Retinal Prostheses

视网膜假体分为三类：

1. 1.

   Epiretinal（视网膜表面植入）：如Argus II（60电极）和IRIS II（155电极），通过电缆供电但存在手术风险；

2. 2.

   Subretinal（视网膜下植入）：如PRIMA（378光伏电极），无需电缆但分辨率有限；

3. 3.

   Suprachoroidal（脉络膜上植入）：如STS和SRP，手术侵入性低但刺激距离较远。

Cortical Prostheses

皮层假体直接刺激初级视觉皮层（V1），绕过视网膜病变。代表性设备包括：

• •

  Orion（60电极）：Argus II的皮层版本；

• •

  ICVP（400电极）：无线设计，LogMAR视力达2.33。

Challenges

1. 1.

   安全性：25%患者出现结膜侵蚀或视网膜脱离；

2. 2.

   评估偏差：缺乏标准化测试，高对比度场景易夸大效果；

3. 3.

   技术限制：电极数量（<1000）和视野（<30°）远低于自然视觉。

AI优化策略

显著性提取：

• •

  特征工程：通过边缘、深度信息构建显著性图谱（如CNN提取室内物体轮廓）；

• •

  端到端学习：强化学习虚拟代理在动态环境中优化低分辨率表征。

光幻视一致性：

• •

  轴突映射模型：模拟视网膜神经节细胞电流扩散导致的非对称光幻视；

• •

  闭环校准：基于患者反馈调整电刺激参数。

Future Perspectives

AI需突破三大瓶颈：

1. 1.

   生物真实建模：整合个体化视网膜-皮层传递函数；

2. 2.

   动态场景处理：开发连续视觉流而非静态图像分析；

3. 3.

   临床验证：在真实RCP用户中测试算法鲁棒性。

Conclusion

AI为RCPs提供了突破带宽限制的新路径，但当前研究多依赖仿真数据。未来需结合生物物理模型与临床验证，推动人工视觉从实验室走向日常生活。