AI助攻顯微鏡技術大躍進，開啟診斷新紀元

傳統顯微鏡技術常需依賴染色劑來標記樣本，但這不僅耗時，成本也相當高昂。為突破這些限制，研究人員結合色差與生成式AI，開發出一種全新的計算定量相位成像（QPI）技術。這項技術利用不同波長光線的自然聚焦差異，僅需單次曝光便能建構出多層次的影像堆疊。透過特別訓練的擴散模型，此方法能對生物樣本進行高品質成像，甚至能應用於紅血球等臨床樣本。這項突破性技術有望徹底改變診斷領域，提供一種更便捷且高效的替代方案。

雖然染色劑能提供有價值的生物樣本資訊，但其缺點限制了它在臨床診斷中的應用。傳統方法不僅耗時，還需要昂貴的裝置與試劑。因此，近年來研究焦點逐漸轉向無標記顯微鏡技術，如定量相位成像（QPI）。與傳統成像方法不同，QPI不僅分析樣本吸收或散射的光線，還關注樣本如何改變透過它的光線相位。這種相位變化與樣本的厚度、折射率等結構特性直接相關。儘管QPI通常需要高階裝置，但計算QPI提供了一種更具成本效益的選擇。

目前最廣泛使用的計算QPI技術之一是基於強度傳輸方程（TIE）的解法。這種數學方法透過分析記錄的相位變化來重建樣本影像，且易於整合到現有的光學顯微鏡中，並能產生高品質影像。然而，TIE方法的一大缺點是通常需要在不同焦距下拍攝多張影像以消除偽影，這不僅耗時，技術上也具有挑戰性，使得TIE在許多臨床應用中並不實際。

「我們的方法與TIE原理相似，但只需單張影像，這歸功於物理學與生成式AI的巧妙結合，」CASUS青年研究團隊負責人、AAAI會議論文通訊作者Artur Yakimovich教授解釋道。研究團隊利用色差現象，僅需單次曝光便能生成多層次影像堆疊。大多數顯微鏡鏡頭無法完美將白光的所有波長聚焦於同一點，這意味著紅、綠、藍光（RGB）的焦距略有不同。透過傳統RGB檢測器分別記錄這三種波長的相位變化，便能建構出可用於計算QPI的影像堆疊，將缺點轉化為優勢。

「利用色差實現QPI面臨一個挑戰：紅光與藍光的焦距差異非常小，」論文主要作者之一、CASUS博士生Gabriel della Maggiora指出。為解決這個問題，團隊決定引入人工智慧。經過訓練的生成式AI模型，即使僅依賴有限的資料輸入，也能成功提取相位資訊。團隊採用了今年春季提出的條件變分擴散模型（CVDM），這是一種計算效率高且效果優異的生成式AI模型。

透過CVDM策略，della Maggiora與同事開發出一種適用於定量資料的新型擴散模型，最終實現了基於色差的計算QPI。他們使用配備商用彩色相機的普通明場顯微鏡，對真實臨床樣本進行了驗證。例如，在分析人類尿液樣本中的紅血球時，新方法成功揭示了紅血球的甜甜圈形狀，而傳統的TIE方法則無法做到。此外，新方法生成的影像幾乎沒有雲狀偽影，進一步提升了診斷準確性。

Yakimovich團隊專注於開發可立即應用於臨床的顯微鏡計算技術，其中生成式AI扮演了重要角色。由於生成式AI容易產生幻覺，團隊的重點之一是減少這種現象，而結合物理學元素正是關鍵。正如AI輔助QPI技術所示，這條道路充滿希望。

參考文獻：Gabriel della Maggiora等人，2024年12月24日，《AAAI人工智慧會議論文集》，arXiv:2406.04388。