Новый алгоритм на основе искусственного интеллекта обрабатывает данные о насыщении тканей кислородом быстрее и точнее, чем обычные методы.
Окисление тканей является мерой уровня кислорода в биологических тканях и полезным клиническим биомаркером жизнеспособности тканей. Аномальные уровни могут указывать на наличие таких состояний, как сепсис, диабет, вирусная инфекция или болезнь легких, и эффективный мониторинг важен для хирургического руководства, а также для медицинского обслуживания.
Существует несколько методов измерения насыщения кислородом тканей, но все они имеют некоторые ограничения. Например, пульсоксиметрия является надежной и недорогой, но не может обеспечить локализованную меру насыщения кислородом. С другой стороны, ближняя инфракрасная спектроскопия склонна к шумным измерениям из-за чувствительных к давлению контактных зондов. Визуализация пространственно-частотной области (SFDI) стала перспективным бесконтактным методом, который отображает концентрации кислорода в тканях по широкому полю зрения. Несмотря на то, что SFDI прост в реализации, он имеет свои собственные ограничения: для его прогнозов требуется последовательность из нескольких изображений, чтобы его прогнозы были точными и подвержен ошибкам при работе с одиночными снимками.
В новом исследовании, опубликованном в Journal of Biomedical Optics, исследователи из Университета Джонса Хопкинса, Мейсон Т. Чен и Николас Дж. Дурр, предложили сквозную технику для точного расчета насыщения тканей кислородом из отдельных снимков, называемую OxyGAN. Они разработали этот подход с использованием класса фреймворка машинного обучения, называемого условной генеративной состязательной сетью (cGAN), которая использует две нейронные сети - генератор и дискриминатор - одновременно на одних и тех же входных данных. Генератор учится создавать реалистичные выходные изображения, в то время как дискриминатор учится определять, формирует ли данная пара изображений правильную реконструкцию для данного входа.
Используя обычный SDFI, исследователи получили карты насыщения кислородом для пищевода человека (ex vivo), рук и ног (in vivo) и толстой кишки свиньи (in vivo) под освещением с двумя различными длинами волн (659 и 851 нм). Они обучили OxyGAN образцам ног и пищевода и сохранили образцы рук и толстой кишки, чтобы впоследствии проверить его производительность. Кроме того, они сравнили его производительность с техникой одного снимка, основанной на физической модели, и двухэтапной гибридной техникой, которая состояла из модели глубинного обучения для прогнозирования оптических свойств и физической модели для расчета насыщения тканей кислородом.
Исследователи обнаружили, что OxyGAN может точно измерять насыщение кислородом не только для образцов, которые он видел во время тренировки (ноги человека), но и для образцов, которые он не видел (челюстая кишка и свиная толстая кишка), демонстрируя надежность модели. Он показал лучшие результаты, чем как модель с одним снимками, так и гибридная модель на 24,9% и 24,7%, соответственно. Кроме того, ученые оптимизировали OxyGAN для вычислений ~10 раз быстрее, чем гибридная модель, что позволило отображать в реальном времени со скоростью 25 Гц. Фредерик Леблон, помощник редактора Журнала биомедицинской оптики, комментирует: «Эта статья не только представляет собой значительные достижения, которые могут способствовать практической клинической реализации визуализации пространственной частотной области, но и будет частью относительно небольшого (хотя и быстро растущего в размера) пула надежных опубликованных работ с использованием методов типа искусственного интеллекта для работы с реальными данными биомедицинской оптики».
В то время как алгоритм OxyGAN может быть оптимизирован дополнительно, этот подход обещает быть новым методом измерения насыщения тканей кислородом.
