BIOMEDICAL系列- 使用AI和成像技術 機器人也可替人抽血

使用AI和成像技術 機器人也可替人抽血

光電協進會

AI究竟可以做到甚麼程度,一直是產學界樂於研究的話題。最近美國Rutgers大學的工程師打造了一種桌上型裝置,結合了機器人、AI、近紅外線和超音波成像技術來抽取血液,或插入導管以輸送液體和藥物,而且效果不差,可望導入臨床實驗。

這個裝置可以將針頭和導管準確地引導到細小的血管中。在此之前,它必須執行複雜的視覺任務,包括從周圍組織中識別血管,對其進行分類並估算其深度,然後進行動作跟踪。機器人插管則利用深度學習與神經網路的預測做驅動,這些神經網路對大量影像序列訊息進行編碼,以引導機器人進行即時動作。

研究人員對志願者中進行一連串成像與機器人追踪研究,證明了這套裝置能夠對血管進行辨別、分類、定位,以及追踪。他們評估了機器人在難以插入的血管和動物模型中之性能,並與受訓過的操作員所做的手動插管做比較,該裝置可提高成功率與縮短手術時間,尤其是在生理條件惡劣的情況下更是如此。

該開發小組計劃對機器進行更多的研究,涉及的對象範圍更廣,包括具有正常血管和有問題的血管的人。研究人員表示,這套裝置不僅可以用於患者,還可以稍微做修改,然後就可以幫囓齒動物抽血,這對製藥和生物技術領域的動物進行藥物測試極為重要。

上述AI機器人抽血是光聲領域(optoacoustics)的一種應用。在此技術中,影像品質取決於裝置使用的感測器的數量和分佈位置,感測器越多,佈置的範圍越廣,成像的品質越好。

為了能在較少的超音波感測器的情況之下,同時能提高低成本光聲設備中的影像品質,蘇黎世大學研究人員採用AI機器學習。他們開發了一個框架,可以使用深度學習神經網路從稀疏的光聲數據中重建影像,並展示了他們在老鼠體內進行全身成像的方法。

為了生成準確的高解析度參考圖像,該團隊首先開發了具有512個感測器的高階光聲掃描儀,接著利用人工神經網路進行分析並了解此設備產生的高品質影像特徵。然後,研究人員故意從設備中移除了大多數感測器,使其成像品質下降。由於缺少數據,因此在圖像中出現了條紋型偽影。但是,以前訓練有素的神經網絡能夠糾正大多數此類失真,使圖像品質接近設備具有全部512個感測器時獲得的測量結果。

此外該團隊所開發的機器學習演算法能夠提高在狹窄範圍內記錄的影像品質。根據研究人員表示,這對於臨床應用尤為重要,因為雷射脈衝無法穿透整個人體,因此通常只能讓光從一個方向進入以形成成像區域。通常使用合成影像進行訓練,效益並不彰,這意味著得使用全視圖掃描來獲取的高品質體內圖像來訓練的重要性。


返回首頁