小图像，大图景：AI 彻底改变了显微镜技术
机器之心转载
机器之心编辑部
近日，研究人员提出，希望将深度学习技术引入细胞成像和分析中，可以将混乱的生物学问题转化为可解决的计算。该研究以「Small images, big picture: Artificial intelligence to revolutionize microscopy」为题发表在《Science》杂志上。
Carpenter 说：「在麻省理工学院和哈佛大学的博德研究所 ( Broad Institute of MIT and Harvard in Cambridge ) 管理实验室的时候。她记得当她要面对三个月的手动图像分析，或者选择让显微镜自行运行。她选择了后者。」 自那以后，这种自动化方法显示出了解决——或者至少开始解决——一些限制科学家使用显微镜技术手动观察细胞工作问题的潜力。例如，自动化可以减少识别细胞变化（即细胞形态）的耗时。
Carpenter 的实验室致力于使用软件加速药物发现，分析数百万张图像中包含的细胞形态数据。她说：「药物开发过程中存在许多瓶颈，而这些图像的数据对每个瓶颈都很有用：从建立更好的与疾病相关的测定法和筛选库，到预测测定结果和毒性。」
管理局限性
目前，得克萨斯州休斯敦莱斯大学（Rice University）生物工程学 Rebecca Richards-Kortum 正与 MD 安德森癌症中心（MD Anderson Cancer Center）合作，解决传统显微镜的一些基本局限性。使用常规显微镜时，景深（DOF）和空间分辨率之间存在固定的权衡：所需的空间分辨率越高，DOF 越窄。该团队与莱斯的 Ashok Veeraraghavan 和安德森的 Ann Gillenwater 合作，开发了一种称为 DeepDOF 的计算显微镜，该显微镜在保持分辨率的情况下，其 DOF 可以达到传统显微镜的五倍以上，从而大大减少了图像处理所需的时间。
Richards-Kortum 解释说：「DeepDOF 使用了放置在显微镜孔径处的优化相位掩模和基于深度学习的算法，该算法将传感器数据转换为高分辨率的大 DOF 图像。」
「由于其低成本，高速和自动分析功能，我们希望 DeepDOF 的范围可以扩展到能够准确评估口腔癌肿瘤切缘的手术中心的数量。准确评估患病组织的能力可以帮助优化手术切除的效果，尤其是在资源有限的地区，例如农村地区。」Richards-Kortum 说，「利用显微镜和人工智能开发她的创新医疗技术的最大挑战之一是『前瞻性』证明其益处的必要性。」
为计算显微镜提供动力的深度学习算法需要大型数据集来训练它们执行独立的任务，但此类数据集并不总是很容易获得。然后，必须评估这些算法的性能，并将其与当前的分析标准进行比较。
Richards-Kortum 表示：「这是整个医疗技术界的共同挑战。」
应对挑战
Ricardo Henriques 管理着葡萄牙古尔班基安（Instituto Gulbenkian de Ci ê ncia）光学细胞生物学实验室。他的跨学科团队由光学物理学家、计算机科学家和生物医学研究人员组成，致力于改进当前成像技术的局限性。该团队专注于两个关键挑战：如何分析感染活细胞病毒的实时行为；以及如何建立智能显微镜技术，以减少在观察过程中光对生物系统造成的损害，即所谓的光毒性。
为了想象这些想法协同工作，他建议将细胞比作足球运动员。
「因此，您想拍摄一场足球比赛，但是相机上有些东西对球员有害。」Henriques 说，「为减少对他们的风险，您必须使拍摄时间最少，但你也需要做出正确的决定，捕捉哪些关键时刻才能真正理解比赛。」
Henriques 的团队正在开发机器学习算法，该算法可以更好地预测病毒感染过程中细胞内的关键事件何时发生，并捕捉这些时刻。同时，这些算法将尝试减少捕获无关变化所花费的时间，并减少细胞暴露在这些有毒环境中的时间。
对 Henriques 而言，建立跨学科团队来解决这些问题是非常重要的，因为这项工作涉及多种科学技能。
Henriques 说：「需要彻底改变思维方式，才能将 AI 全面纳入科学研究。」
显微技术固有的许多学科，例如物理学和生物学，由于各领域之间的语言障碍以及如何定期针对离散区域而不是协作项目而组织资金，存在自然而然地倾向于分开工作的趋势。
Henriques 说：「各组织正在缓慢地投资建设这些桥梁，但还需要做更多的工作来鼓励这种做法。」
建立桥梁
地球科学家 Matt Andrew 在加利福尼亚州都柏林的光学技术公司 ZEISS 工作，他的研究重点是多孔岩和沉积岩石中的流动和输运过程。Andrew 说，「我的工作越来越集中在技术开发上，以更好地利用显微镜产生的数据。我现在与公司中的各个团队合作，帮助同事们将 AI 融入他们的研究实践中。」