基于AI的'oxygan'是一种稳健，有效的方法来测量组织氧水平

组织氧合是生物组织中氧水平的测量，是一个有用的临床生物标志物的组织生存能力。异常水平可能预示着如脓毒症、糖尿病、病毒感染或肺部疾病的存在，有效的监测对于外科指导和医疗护理很重要。

有几种测量组织的技术氧合，但他们都有一些限制。例如，脉搏血氧仪坚固耐用，低成本但不能提供氧化的局部测量。靠近-红外光谱学另一方面，由于压敏接触探针，易于噪声测量。空间频域成像（SFDI）被出现为有前途的非联系技术，将组织氧浓度映射在宽阔的视野上。虽然实现简单，但SFDI具有自己的限制：它需要一系列几个图像，以便其预测准确，并且在使用单一快照时容易出错。

在发表的新研究中生物医学光学杂志来自约翰霍普金斯大学(Johns Hopkins University)的研究人员Mason T. Chen和Nicholas J. Durr提出了一种端到端的技术，可以从单个快照中精确计算组织的氧合情况，称为OxyGAN。他们利用一种被称为条件生成对抗网络(cGAN)的机器学习框架开发了这种方法，该网络利用两个神经网络——一个生成器和一个鉴别器——同时对相同的输入数据。生成器学习产生真实的输出图像，而鉴别器学习确定给定的图像对是否对给定的输入形成正确的重构。

使用传统的SDFI，研究人员获得了人类食道的氧合图(离体），手脚（体内）和猪结肠（体内)在两种不同波长(659和851 nm)的照射下。他们用脚和食道样本训练OxyGAN，并保存了手和结肠样本，以便稍后测试其性能。此外，他们将其性能与基于物理的单快照技术进行了比较模型以及一项两步混合技术，包括一个深学习模型来预测光学性质和一个物理模型计算组织氧合。

研究人员发现，OxyGAN可以准确地测量氧合，不仅对它在训练中看到的样本(人的脚)，而且对它没有看到的样本(人的手和猪的结肠)，证明了该模型的稳健性。它比单快照模型和混合模型分别提高了24.9%和24.7%。此外，科学家们对OxyGAN进行了优化，使其计算速度比混合模型快10倍，能够以25赫兹的速度实时绘制地图。Frédéric Leblond副主编生物医学光学杂志本文评论”,不仅代表了重大进展,有助于空间频率域的实际临床实现成像,但它也将是相对较小的一部分(尽管规模迅速增长)的健壮的出版工作使用AI-type方法来处理真正的生物医学光学数据。”

虽然可以进一步优化氧化诺的算法，但这种方法将承担有关作为一种新颖的测量技术组织氧化。

---

---