近日，研究人員提出，希望將深度學習技術引入細胞成像和分析中，可以將混亂的生物學問題轉化為可解決的計算。該研究以「Small images， big picture： Artificial intelligence to revolutionize microscopy」為題發表在《Science》雜志上。

20 年前，計算機生物學家 Anne Carpenter 在讀博士時第一次意識到她需要學習計算機編程。

Carpenter 說：「在麻省理工學院和哈佛大學的博德研究所 （Broad Institute of MIT and Harvard in Cambridge） 管理實驗室的時候。她記得當她要面對三個月的手動圖像分析，或者選擇讓顯微鏡自行運行。她選擇了后者。」 自那以后，這種自動化方法顯示出了解決——或者至少開始解決——一些限制科學家使用顯微鏡技術手動觀察細胞工作問題的潛力。例如，自動化可以減少識別細胞變化（即細胞形態）的耗時。

Carpenter 的實驗室致力于使用軟件加速藥物發現，分析數百萬張圖像中包含的細胞形態數據。她說：「藥物開發過程中存在許多瓶頸，而這些圖像的數據對每個瓶頸都很有用：從建立更好的與疾病相關的測定法和篩選庫，到預測測定結果和毒性。」

管理局限性

目前，得克薩斯州休斯敦萊斯大學（Rice University）生物工程學 Rebecca Richards-Kortum 正與 MD 安德森癌癥中心（MD Anderson Cancer Center）合作，解決傳統顯微鏡的一些基本局限性。使用常規顯微鏡時，景深（DOF）和空間分辨率之間存在固定的權衡：所需的空間分辨率越高，DOF 越窄。該團隊與萊斯的 Ashok Veeraraghavan 和安德森的 Ann Gillenwater 合作，開發了一種稱為 DeepDOF 的計算顯微鏡，該顯微鏡在保持分辨率的情況下，其 DOF 可以達到傳統顯微鏡的五倍以上，從而大大減少了圖像處理所需的時間。

Richards-Kortum 解釋說：「DeepDOF 使用了放置在顯微鏡孔徑處的優化相位掩模和基于深度學習的算法，該算法將傳感器數據轉換為高分辨率的大 DOF 圖像。」

「由于其低成本，高速和自動分析功能，我們希望 DeepDOF 的范圍可以擴展到能夠準確評估口腔癌腫瘤切緣的手術中心的數量。準確評估患病組織的能力可以幫助優化手術切除的效果，尤其是在資源有限的地區，例如農村地區。」Richards-Kortum 說，「利用顯微鏡和人工智能開發她的創新醫療技術的最大挑戰之一是『前瞻性』證明其益處的必要性。」

為計算顯微鏡提供動力的深度學習算法需要大型數據集來訓練它們執行獨立的任務，但此類數據集并不總是很容易獲得。然后，必須評估這些算法的性能，并將其與當前的分析標準進行比較。

Richards-Kortum 表示：「這是整個醫療技術界的共同挑戰。」

應對挑戰

Ricardo Henriques 管理著葡萄牙古爾班基安（Instituto Gulbenkian de Ciência）光學細胞生物學實驗室。他的跨學科團隊由光學物理學家、計算機科學家和生物醫學研究人員組成，致力于改進當前成像技術的局限性。該團隊專注于兩個關鍵挑戰：如何分析感染活細胞病毒的實時行為；以及如何建立智能顯微鏡技術，以減少在觀察過程中光對生物系統造成的損害，即所謂的光毒性。

為了想象這些想法協同工作，他建議將細胞比作足球運動員。

「因此，您想拍攝一場足球比賽，但是相機上有些東西對球員有害。」Henriques 說，「為減少對他們的風險，您必須使拍攝時間最少，但你也需要做出正確的決定，捕捉哪些關鍵時刻才能真正理解比賽。」

Henriques 的團隊正在開發機器學習算法，該算法可以更好地預測病毒感染過程中細胞內的關鍵事件何時發生，并捕捉這些時刻。同時，這些算法將嘗試減少捕獲無關變化所花費的時間，并減少細胞暴露在這些有毒環境中的時間。

對 Henriques 而言，建立跨學科團隊來解決這些問題是非常重要的，因為這項工作涉及多種科學技能。

Henriques 說：「需要徹底改變思維方式，才能將 AI 全面納入科學研究。」

顯微技術固有的許多學科，例如物理學和生物學，由于各領域之間的語言障礙以及如何定期針對離散區域而不是協作項目而組織資金，存在自然而然地傾向于分開工作的趨勢。

Henriques 說：「各組織正在緩慢地投資建設這些橋梁，但還需要做更多的工作來鼓勵這種做法。」

建立橋梁

地球科學家 Matt Andrew 在加利福尼亞州都柏林的光學技術公司 ZEISS 工作，他的研究重點是多孔巖和沉積巖石中的流動和輸運過程。Andrew 說，「我的工作越來越集中在技術開發上，以更好地利用顯微鏡產生的數據。我現在與公司中的各個團隊合作，幫助同事們將 AI 融入他們的研究實踐中。」

「無論是在觀察細胞還是在巖石，不論他們對深度學習技術的了解如何。將 AI 引入顯微鏡的日常實踐的關鍵是確保任何科學家都可以使用該技術。」Andrew 說，「建立能夠釋放深度學習潛力和力量，快速工作且易于使用的工作流程，是采用深度學習的關鍵。」

例如，Andrew 和他的團隊使用一種稱為「解決方案實驗室（Solutions Lab）」的流程來構建工作流，該工作流使用 AI 自動檢測科學家可能希望調查的樣本區域。他說：「您可以使用 AI 來識別與各個特征相對應的區域，然后以更高的分辨率對其進行成像。」他補充說，「AI 技術通常使用開源庫和共享組件，我們的技術之所以如此成功是因為我們確保它們使用起來更簡單明了，并且更容易消化。」

Andrew 相信：「我們正處于顯微鏡數據使用和實現的革命的開端。」

他說：「如果回想起 5 年前，我們還不知道我們可以使用這種技術進行顯微鏡檢查。現在，我們正朝著這樣一個方向發展，我們將要把這些算法置于我們所有工作場所的各個部分的核心位置。」

總部位于德國韋茨拉爾的 Leica Microsystems 主管 Luciano Guerreiro Lucas 也致力于開發智能軟件解決方案，以解決生命科學和生物制藥界在處理圖像數據時面臨的一些最大問題。在過去的 41/2 年中，他的團隊一直在建立一個經過預訓練的深度學習模型庫以及 Aivia 軟件，該軟件可以使任何人利用 AI 顯微鏡技術。

「現有的工具忽略了這樣一個事實，即研究人員可能是生物學或類似學科的專家，但在顯微鏡或圖像分析方面的專業知識卻非常有限。」Lucas 說，「我們正在創建利用生物學家的專業知識并向他們學習的工具。這樣的工具應該逐漸了解細胞是什么以及在多種情況下看起來是什么樣子，并最終自動進行成像和圖像分析，從而使研究人員能夠專注于科學發現過程的創造性和批判性思維部分。」

Lucas 說：「目前實現這一想法的挑戰是高質量的結構化數據供應有限以及缺乏標準圖像格式。這些問題使我們很難更快地發展。此外，確實存在的數據傾向于保存在孤立的孤島中。在研究領域，很難就文件和數據標準達成廣泛的共識。研究人員都喜歡以自己的方式做事。」

「商業和學術界需要投入更多的時間來教育社區了解有關解決這些問題的好處。」Lucas 說道。

數據操作

Steven Finkbeiner 是加利福尼亞州舊金山格萊斯頓研究所（Gladstone Institutes）的主任兼高級研究員，在過去的十年中一直處于 AI 和顯微鏡研究的前沿。自從發明了可以一次追蹤細胞數月的全自動機器人顯微鏡以來，他和他的團隊產生了大量的數據。這些信息讓他的團隊有能力真正探索 AI 的潛力。

他說：「我們一直在『無恥』地使用我們生成的 PB 級數據。」

例如，他的團隊正在使用面部識別 AI 技術——將細胞的形態作為面部進行處理——來識別和追蹤組織等復雜系統（例如組織）中的單個細胞。

他說：「我們希望這些方法將為研究涉及復雜細胞 - 細胞相互作用（例如神經炎癥）的過程開辟新的可能性。」

Finkbeiner 還通過展示神經網絡中來自患者細胞圖像的例子，教授學習網絡來診斷神經退行性疾病，例如肌萎縮性側索硬化癥（ALS）和帕金森氏病。

Finkbeiner 說：「我們以一種相對公正的方式詢問網絡，看它是否可以在圖像中找到任何能夠做出準確診斷的東西，我們得到了令人鼓舞的結果。我們希望這可以對患者進行分層，發現生物標志物并開發有效的個性化療法的新方法。甚至有可能在癥狀開始之前診斷出患病的風險，這將是變革性的。」

他的團隊還使用 AI 來預測細胞的未來命運。「為了做到這一點，我們正在利用縱向單細胞數據和深度學習網絡來尋找細胞在早期時間點的特征，從而預測其命運。我們現在將其用于癌癥項目，這將有助于我們理解為什么有些細胞會產生耐藥性，而有些卻沒有。」 Finkbeiner 說。

將 AI 引入實驗室

Rich Gruskin 是尼康儀器公司軟件系統的高級總經理，公司總部位于紐約梅爾維爾。他與客戶合作密切，以確保研究人員能夠輕松采用 AI 技術。

在最近的一個案例中，客戶希望在其無標記（label-free）（明視野）圖像數據中識別多種細胞類型。由于它們是低對比度圖像，有時只在細微的形態特征上有所不同，因此對數個 AI 網絡進行了訓練，使其可以在一種分析方法中協同工作以區分不同的細胞類型。

圖示： label-free microscopy（來源：nature）

「我們使用客戶的數據集訓練了神經網絡，并進行了運行，效果很好。」Gruskin 說，「有時候，如果在嘗試新事物時遇到阻力，我們會介入并幫助客戶處理信息，建立新的慣例并向他們展示其工作原理。確保應用程序輕松自如且迅速獲得結果是建立使用新技術信心的關鍵。」

AI 的未來

學術和商業領域的研究人員普遍認為，將 AI 應用于科學生活的最大障礙是對未知的恐懼。然而，AI 日益增長的影響力是不可否認的。

「變化是在幾個月而不是幾年內發生的。」Henriques 說，「看看自動駕駛汽車。他們正在做的正是我們想要用顯微鏡做的，實時觀察他們的環境，并決定如何與顯微鏡相互作用以及如何保持有機體的生命——汽車里的人。」

但是，也有一種感覺，雖然變革是不可避免的，但社會需要做出更加堅定的承諾，以確保所有科學家都可以從這些新技術中受益。Finkbeiner 認為，創建一些公共圖像資源庫對計算機領域很有幫助，計算機科學家可以使用這些資源庫來開發新的算法和方法。

「大學甚至高中的孩子們也可以使用這樣的數據進行教育和培訓。這個領域的潛力是巨大的，因此，現在投資進行培訓以培養真正使我們前進的一代人將是一件很棒的事情。」Finkbeiner 說，「我們希望看到學術機構更加重視促進生物學家和計算機科學家之間的合作。」

Finkbeiner 表示：「擁有計算機科學系并認識到多學科科學價值的大學有機會發揮領導作用。計算機科學與生物學之間的鴻溝很大，需要我們持續的努力和支持來點燃火花。」

原文標題：小圖像，大圖景：AI徹底改變了顯微鏡技術

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq