基于人工智能的“OxyGAN”是一种强大、有效的测量组织氧水平的方法

组织氧合是生物组织中氧水平的量度，是一种用于组织活力的有用的临床生物标志物。异常水平可能表明存在脓毒症，糖尿病，病毒感染或肺病等病症，有效的监测对于手术指导以及医疗是重要的。

有几种技术用于测量组织氧化，但它们都有一些局限性。例如,脉搏血氧测量是强大的和低成本的，但不能提供一个局部的测量氧合。近红外光谱法另一方面，由于压力敏感触点探头的存在，容易产生噪声测量。空间频域成像(SFDI)已经成为一种很有前途的非接触技术，在一个广阔的视场上绘制组织氧浓度。虽然实现起来很简单，但SFDI有其自身的局限性:它需要一系列的多个图像来保证其预测的准确性，并且在使用单个快照时容易出现错误。

一项新的研究发表在生物医学光学杂志，Johns Hopkins University，Mason T. Chen和Nicholas J. Durr的研究人员提出了一种端到端的技术，用于精确计算单一快照的组织氧合，称为氧气。他们使用称为条件生成的对冲网络（CGAN）的一类机学习框架开发了这种方法，该框架在相同的输入数据上使用两个神经网络 - 发电机和鉴别器 - 一个鉴别器。发电机学习生成现实输出图像，而鉴别器学习以确定给定的图像对是否形成给定输入的正确重建。

使用常规SDFI，研究人员获得了人类食道的氧合图（体外)，手和脚(在活的有机体内)和猪的冒号(在活的有机体内）在具有两个不同波长的照明（659和851nm）的照明。他们用脚和食道样品培训了氧气氧，并挽救了手和结肠样品以后测试其性能。此外，它们将其性能与基于物理的单一快照技术进行了比较模型以及两步混合技术，包括一个深度学习模型来预测光学特性A.物理模型计算组织氧合。

研究人员发现，奥氧诺可以准确地测量氧合，不仅适用于训练期间（人脚）的样品，而且还针对它没有看到的样品（人手和猪结肠），展示了模型的鲁棒性。它比单快照模型和混合模型更好地执行24.9％和24.7％。此外，科学家们优化了氧化诺以比混合模型更快地计算〜10倍，以25 Hz的速率实现实时映射。Frédéricleblond，助理编辑生物医学光学杂志，评论，“本文不仅代表了可能导致空间域成像的实际临床实施的重要进展，但它也将是使用AI的强大公开工作的相对较小（虽然速度迅速增加）-Type方法处理真实生物医学的光学数据。“

虽然OxyGAN的算法可以进一步优化，但这种方法有望成为一种新的测量技术组织氧合。

---

---