小影像、大圖景：人工智能將徹底改變顯微鏡技術(shù)

 

  20年前，計算生物學(xué)家Anne Carpenter在完成博士學(xué)位時，第一次意識到需要學(xué)習(xí)計算機編程。

  Carpenter在麻省理工學(xué)院和哈佛大學(xué)的布羅德研究所管理著一個實驗室。當(dāng)時，她記得自己要么將面對長達(dá)3個月的人工圖像分析，要么選擇讓顯微鏡自己運行。她選擇了后者。自那以后，這種自動化方法顯示出了它解決或者至少開始解決一些限制科學(xué)家使用顯微鏡技術(shù)手動觀察細(xì)胞運作問題的潛力。例如，自動化可以減少識別細(xì)胞變化的耗時和細(xì)致工作。

  Carpenter的實驗室專注于使用軟件來分析數(shù)百萬張圖像中包含的細(xì)胞形態(tài)數(shù)據(jù)，以加速藥物研發(fā)。“在藥物研發(fā)過程中會遇到很多瓶頸，而來自這些圖像的數(shù)據(jù)被證明對解決每一個瓶頸都很有用：從建立更好的疾病相關(guān)檢測和篩選庫，到預(yù)測分析結(jié)果和毒性。”她說。

 

管理的局限性

 

  位于得克薩斯州休斯敦的萊斯大學(xué)生物工程學(xué)教授Rebecca Richards-Kortum目前正與MD安德森癌癥中心合作，解決傳統(tǒng)顯微鏡技術(shù)的一些基本局限性。當(dāng)使用傳統(tǒng)顯微鏡時，在景深（DOF）和空間分辨率之間有一個固定的權(quán)衡：所需的空間分辨率越高，景深就越窄。該團隊與萊斯大學(xué)的Ashok Veeraraghavan和MD安德森癌癥中心的Ann Gillenwater合作，開發(fā)了一種名為DeepDOF的計算顯微鏡，其可以在保持分辨率的同時實現(xiàn)比傳統(tǒng)顯微鏡大5倍的景深，顯著減少了圖像處理所需的時間。

  Richards-Kortum解釋稱，DeepDOF使用了放置在顯微鏡孔徑處的優(yōu)化相位掩模和基于深度學(xué)習(xí)的算法，該算法將傳感器數(shù)據(jù)轉(zhuǎn)換為高分辨率、大光圈景深的圖像。

  “鑒于其低成本、高速和自動化分析能力，我們希望DeepDOF的觀察范圍有助于手術(shù)中準(zhǔn)確評估口腔癌腫瘤邊緣病變組織的數(shù)量。”她說道，“準(zhǔn)確評估病變組織的能力有助于優(yōu)化手術(shù)切除結(jié)果，特別是在資源有限的環(huán)境下，如農(nóng)村地區(qū)。”

  她表示，使用顯微鏡和人工智能開發(fā)創(chuàng)新醫(yī)療技術(shù)的最大挑戰(zhàn)之一，是展示它們益處的必要性。

  為計算顯微鏡提供動力的深度學(xué)習(xí)算法需要大型數(shù)據(jù)集來訓(xùn)練它們獨立執(zhí)行任務(wù)的能力，但這樣的數(shù)據(jù)集并不總是現(xiàn)成的。然后，必須評估這些算法的性能，將其與當(dāng)前的分析標(biāo)準(zhǔn)進行比較。“這是整個醫(yī)療保健技術(shù)領(lǐng)域面臨的共同挑戰(zhàn)。”她說。

 

應(yīng)對挑戰(zhàn)

 

  Ricardo Henriques負(fù)責(zé)位于葡萄牙的古爾本基安研究所的光學(xué)細(xì)胞生物學(xué)實驗室。他的跨學(xué)科團隊——由光學(xué)物理學(xué)家、計算機科學(xué)家和生物醫(yī)學(xué)研究人員組成——致力于改善現(xiàn)有成像技術(shù)的局限性。該團隊專注于兩個關(guān)鍵挑戰(zhàn)：如何分析病毒感染活細(xì)胞的實時行為，以及如何建立智能顯微鏡技術(shù)，以減少在觀察過程中光對生物系統(tǒng)造成的損害，即光毒性。

  為了更好的設(shè)想，他建議把細(xì)胞比作足球運動員。“你想拍攝一場足球比賽，但攝影機的某些東西對球員來說是有毒的。為了降低他們的風(fēng)險，你必須盡量減少拍攝時間，但也需要做出正確的決定，捕捉那些有助于真正理解比賽的關(guān)鍵時刻。”Henriques說。

  Henriques的團隊正在開發(fā)機器學(xué)習(xí)算法，以便更好地預(yù)測病毒感染過程中細(xì)胞內(nèi)的關(guān)鍵事件何時發(fā)生，并捕捉這些時刻。同時，這些算法將試圖減少捕獲無關(guān)變化所花費的時間，減少細(xì)胞在有毒環(huán)境中的暴露時間。

  對于Henriques來說，建立一個跨學(xué)科的團隊來解決這些問題非常重要，因為這項工作涉及多種科學(xué)技能。“我們需要徹底改變思維方式，才能將人工智能全面引入科學(xué)研究。”

  顯微鏡學(xué)所固有的許多學(xué)科，如物理學(xué)和生物學(xué)，由于各領(lǐng)域之間的語言障礙存在自然而然的獨立工作傾向。“我認(rèn)為各組織正在慢慢地投資建設(shè)橋梁，但還需要做更多工作來鼓勵這種做法。”Henriques說。

 

建造橋梁

 

  地球科學(xué)家Matt Andrew就職于加利福尼亞州都柏林的ZEISS光學(xué)技術(shù)公司，他的研究重點是多孔巖和沉積巖中的流動和運輸過程。Andrew說，他的工作越來越集中于開發(fā)技術(shù)，以更好地利用顯微鏡產(chǎn)生的數(shù)據(jù)。他現(xiàn)在與公司的多個團隊合作，幫助同事將人工智能應(yīng)用到研究實踐中。

  他說，無論是觀察細(xì)胞還是巖石，無論他們對深度學(xué)習(xí)技術(shù)的了解如何，將人工智能引入顯微鏡的日常實踐的關(guān)鍵，是要確保這項技術(shù)可以被任何科學(xué)家使用。“構(gòu)建能夠釋放深度學(xué)習(xí)的潛力和力量、工作迅速且易于使用的工作流程，對它們被采用至關(guān)重要。”Andrew表示。

  例如，Andrew和他的團隊使用一個被稱為“解決方案實驗室”的過程來構(gòu)建工作流，通過人工智能自動檢測科學(xué)家可能希望調(diào)查的樣本區(qū)域。“你可以使用人工智能來識別與個別特征對應(yīng)的區(qū)域，然后以更高的分辨率成像。”他補充道，“人工智能技術(shù)通常使用開源庫和共享組件。我們的技術(shù)之所以如此成功，是因為我們確保它們使用起來更簡單，而且打包后更容易消化。”

  Andrew認(rèn)為，我們正處于實現(xiàn)顯微鏡數(shù)據(jù)革命的開端。“回想5年前，我們還不知道可以將這些技術(shù)用于顯微鏡。現(xiàn)在我們正朝著這樣一個方向發(fā)展，讓這些算法成為所有工作場所每個部分的核心。”

  Luciano Guerreiro Lucas是總部位于德國韋茨拉爾的徠卡顯微系統(tǒng)公司的負(fù)責(zé)人，他專注于創(chuàng)建智能軟件解決方案，以解決生命科學(xué)和生物制藥領(lǐng)域在圖像數(shù)據(jù)方面面臨的一些大問題。在過去的41年里，他的團隊一直在努力建立一個經(jīng)過預(yù)先訓(xùn)練的深度學(xué)習(xí)模型庫以及Aivia軟件，其允許任何人利用一些關(guān)鍵的人工智能顯微鏡技術(shù)。

  “現(xiàn)有的工具忽略了這樣一個事實，即研究人員可能是生物學(xué)或類似學(xué)科的專家，但在顯微鏡或圖像分析方面的專業(yè)知識非常有限。”Lucas說，“我們正在創(chuàng)造能夠利用生物學(xué)家的專業(yè)知識并可以從中學(xué)習(xí)的工具。這些工具應(yīng)該逐漸了解什么是細(xì)胞以及它在多種場景下的樣子，并最終自主地進行成像和圖像分析，使研究人員能夠?qū)Ｗ⒂诳茖W(xué)發(fā)現(xiàn)過程中的創(chuàng)造性和批判性思維部分。”

  Lucas指出，目前實現(xiàn)這一想法的挑戰(zhàn)是高質(zhì)量、結(jié)構(gòu)化數(shù)據(jù)的供應(yīng)有限，以及缺乏標(biāo)準(zhǔn)的圖像格式。“這些問題使得我們很難在這個領(lǐng)域取得更大的進展。此外，確實存在的數(shù)據(jù)往往被保存在孤島中。在研究領(lǐng)域，很難就文件和數(shù)據(jù)標(biāo)準(zhǔn)達(dá)成廣泛的共識，研究人員都喜歡用自己的方式做事。”他表示，商業(yè)和學(xué)術(shù)部門需要投入更多時間，讓學(xué)界了解解決這些問題的好處。

 

數(shù)據(jù)操作

 

  位于加利福尼亞州舊金山的格萊斯頓研究所所長兼高級研究員Steven Finkbeiner，過去十年一直走在人工智能和顯微鏡研究前沿。自從發(fā)明了一種可以一次追蹤細(xì)胞數(shù)月的全自動機器人顯微鏡，他和團隊已經(jīng)產(chǎn)生了極其龐大的數(shù)據(jù)。這些信息讓團隊有能力真正探索人工智能的潛力。他說：“我們一直在‘無恥’地使用我們生成的PB級數(shù)據(jù)。”

  例如，他的團隊正在使用面部識別人工智能技術(shù)——將細(xì)胞的形態(tài)視為面部進行處理，并隨著時間的推移來識別和追蹤復(fù)雜系統(tǒng)（如組織）中的單個細(xì)胞。“我們希望這些方法能為研究復(fù)雜細(xì)胞—細(xì)胞相互作用的過程（如神經(jīng)炎癥）開辟新的可能性。”

  通過展示神經(jīng)網(wǎng)絡(luò)中來自患者的細(xì)胞圖像示例，F(xiàn)inkbeiner還教授利用網(wǎng)絡(luò)診斷神經(jīng)退行性疾病，如肌萎縮性脊髓側(cè)索硬化癥（ALS）和帕金森病。“我們以一種相對公正的方式詢問網(wǎng)絡(luò)，看它能否在圖像中找到任何能夠做出準(zhǔn)確診斷的東西，然后我們得到了非常令人鼓舞的結(jié)果。我們希望這能帶來對患者進行分層的新方法，發(fā)現(xiàn)生物標(biāo)志物并開發(fā)有效的個性化療法。它甚至可能在癥狀出現(xiàn)之前就診斷出患病風(fēng)險，這將是革命性的。”

  他的團隊還使用人工智能來預(yù)測細(xì)胞的未來命運。“為了做到這一點，我們利用縱向單細(xì)胞數(shù)據(jù)和深度學(xué)習(xí)網(wǎng)絡(luò)，尋找一個細(xì)胞早期特征來預(yù)測其命運。我們現(xiàn)在正在一個癌癥項目中使用這種方法，這將有助于理解為什么有些細(xì)胞會產(chǎn)生耐藥性，而有些則不會。”Finkbeiner表示。

 

將人工智能引入實驗室

 

  Rich Gruskin是總部位于紐約梅爾維爾的尼康儀器公司軟件系統(tǒng)高級總經(jīng)理，他與客戶密切合作，以確保研究人員能夠輕松采用人工智能技術(shù)。

  在最近的一個案例中，客戶希望在他們的無標(biāo)記（明視野）圖像數(shù)據(jù)中識別多種細(xì)胞類型。由于圖像是低對比度的，有時只在細(xì)微的形態(tài)特征上有所不同，因此要對幾個人工智能網(wǎng)絡(luò)進行訓(xùn)練，使其能在一個分析實驗中協(xié)同工作，以區(qū)分不同的細(xì)胞類型。

  “我們利用客戶的數(shù)據(jù)集訓(xùn)練了一個神經(jīng)網(wǎng)絡(luò)并運行了它，效果非常好。”他說，“如果嘗試新事物有阻力，我們就會介入，幫助客戶處理信息，建立新的程序，并向他們展示其工作原理。確保應(yīng)用輕松且快速獲得結(jié)果是建立使用新技術(shù)信心的關(guān)鍵。”

 

人工智能的未來

 

  總體而言，在學(xué)術(shù)和商業(yè)領(lǐng)域工作的研究人員認(rèn)為，將人工智能應(yīng)用于科學(xué)生活的最大障礙是對未知的恐懼。然而，它與日俱增的影響力是不可否認(rèn)的。

  “變化是在幾個月內(nèi)而不是幾年內(nèi)發(fā)生的。”Henriques說，“看看自動駕駛汽車，它們所做的正是我們想用顯微鏡做的事情，實時觀察周圍環(huán)境并決定如何與之互動，以及如何保持有機體也就是乘車人的生命安全 。”

  然而也有一種感覺，雖然變化是不可避免的，但社會需要做出更加堅定的承諾，以確保所有科學(xué)家都能從這些新技術(shù)中受益。Finkbeiner認(rèn)為，創(chuàng)建一些公共圖像庫將對計算機領(lǐng)域有極大幫助，計算機科學(xué)家可以使用這些資源開發(fā)新的算法和方法。

  “大學(xué)甚至高中的孩子也可以將數(shù)據(jù)用于教育和培訓(xùn)。”Finkbeiner表示，“這個領(lǐng)域的潛力是巨大的，現(xiàn)在投資培養(yǎng)我們需要的一代，讓他們真正帶領(lǐng)我們前進是非常好的。”

  他還希望學(xué)術(shù)機構(gòu)能更加重視生物學(xué)家和計算機科學(xué)家之間的合作。“擁有計算機科學(xué)系并且認(rèn)識到多學(xué)科價值的大學(xué)有機會發(fā)揮領(lǐng)導(dǎo)作用。計算機科學(xué)和生物學(xué)之間的差距很大，我們需要持續(xù)的努力和支持來點燃火花。”■

 

Sarah O'Meara 是生命科學(xué)領(lǐng)域的自由撰稿人。

鳴謝：“原文由美國科學(xué)促進會（www.aaas.org）發(fā)布在2021年4月23日《科學(xué)》雜志”。官方英文版請見https://www.science.org/doi/10.1126/science.372.6540.425b。