比你想象的更难以看到未经处理的细胞的显微镜图像并确定其特征。为了使细胞特征对人眼可见，科学家们通常必须使用能够杀死他们想要观察的细胞的化学物质。

一项开创性的研究表明，计算机无需使用这些侵入性技术即可查看图像中的细节。他们可以检查未经治疗的细胞，并找到科学家无法自行检测的大量数据。事实上，图像包含的信息比以往任何时候都多。

格拉德斯通研究所的主任兼高级研究员，医学博士，医学博士，史蒂芬芬克比尔与谷歌的计算机科学家合作。他们使用人工智能方法发现，通过训练计算机，他们可以为科学家提供超越正常人类表现的方法。

他们使用的方法称为深度学习，这是一种机器学习，涉及可以分析数据，识别模式和进行预测的算法。他们的着作发表在着名的科学期刊“细胞”上，是生物学深层学习的首批应用之一。

而这只是冰山一角。

“这将是变革性的，”Finkbeiner说，他是旧金山格拉德斯通系统与治疗中心的主任。“深度学习将从根本上改变我们未来开展生物医学科学的方式，不仅通过加速发现，还通过帮助寻找治疗方法来解决主要未满足的医疗需求。”

生物学符合人工智能

近10年前，Finkbeiner和他在Gladstone的团队发明了一种全自动机器人显微镜，可以跟踪单个细胞数小时，数天甚至数月。由于它每天产生3-5TB的数据，他们还开发了强大的统计和计算方法来分析大量的信息。

鉴于所收集数据的庞大规模和复杂性，Finkbeiner开始探索深度学习，通过提供人类无法发现的见解来增强他的研究。然后，谷歌接近了他。该公司一直是人工智能这一分支的领导者，该分支依赖于人工神经网络，这些网络松散地模仿了人类大脑通过多层相互连接的神经元处理信息的能力。

“我们希望利用我们对机器学习的热情来解决重大问题，”Google Accelerated Science工程总监Philip Nelson说。“与格拉德斯通合作是一个绝佳的机会，让我们运用我们不断扩展的人工智能知识，以一种有形的方式帮助社会的方式帮助其他领域的科学家。”

这是一个完美的契合。Finkbeiner需要先进的计算机科学知识。谷歌需要一个生物医学研究项目，该项目产生足够数据以适应深度学习。

Finkbeiner最初尝试使用现成的软件解决方案，但收效甚微。这一次，Google帮助他的团队使用TensorFlow定制了一个模型，TensorFlow是一个流行的深度学习开源库，最初由Google AI工程师开发。

网络训练达到超人的表现

虽然他们的大部分工作都依赖于显微镜图像，但科学家长期以来一直在努力探测细胞内的元素，因为生物样本主要由水组成。随着时间的推移，他们开发了一些方法，为细胞添加荧光标记，以便观察人眼通常无法看到的特征。但是这些技术具有显着的缺点，从耗时到杀死他们试图研究的细胞。

该研究的第一作者Finkbeiner和Eric Christiansen发现这些额外步骤不是必需的。事实证明，图像包含的信息远远超过了眼睛。

他们发明了一种新的深度学习方法，称为“计算机标记”，其中计算机可以找到并预测未标记细胞图像中的特征。这种新方法揭示了重要的信息，否则这些信息对科学家来说是有问题的或不可能获得的。

“我们通过展示相同细胞的两组匹配图像训练神经网络;一组未标记，一组荧光标记，”Google Accelerated Science的软件工程师Christiansen解释道。“我们重复了这个过程数百万次。然后，当我们向网络呈现一个从未见过的未标记图像时，它可以准确地预测荧光标记所属的位置。”

深层网络可以识别一个单元是活着还是死亡，并且98%的时间都能得到正确的答案。甚至能够在大量活细胞中挑出一个死细胞。相比之下，人们通常只能识别死细胞，准确率为80%。事实上，当经验丰富的生物学家 - 每天看细胞 - 被呈现两次相同细胞的图像时，他们有时会给出不同的答案。

Finkbeiner和Nelson意识到，一旦接受过培训，网络就可以继续提高其性能，并提高学习执行新任务的能力和速度。因此，他们训练它以准确预测细胞核或指挥中心的位置。

该模型还可以区分不同的细胞类型。例如，网络可以识别盘中混合细胞内的神经元。它可以更进一步，预测该神经元的延伸是一个轴突还是树突，两个不同但看起来相似的细胞元素。

“模型学到的越多，学习新的类似任务所需的数据就越少，”尼尔森说。“这种转移学习 - 网络将在某些类型的图像上学到的东西应用于全新的类型 - 一直是人工智能的长期挑战，我们很高兴能在这里工作得很好。通过应用以前的新任务课程，我们的网络可以继续改进，并对比我们在本研究中测量的更多数据做出准确的预测。“

“这种方法有可能彻底改变生物医学研究，”国家神经疾病和中风研究所的项目主任Margaret Sutherland博士说，该研究部分资助了这项研究。“研究人员现在正在生成大量的数据。对于神经科学家来说，这意味着培训机器有助于分析这些信息，这有助于加快我们对大脑细胞如何组合以及与药物开发相关的应用的理解。”

深度学习可以改变生物医学科学

从智能手机到自动驾驶汽车，深度学习的某些应用已经变得非常普遍。但对于不熟悉这些技术的生物学家来说，使用人工智能作为实验室中的工具可能很难理解。

“将这项技术引入生物学家是一个非常重要的目标，”Finkbeiner说道，他也是格拉德斯通Taube / Koret神经退行性疾病研究中心主任，加州大学旧金山分校神经病学和生理学教授。“在进行演讲时，我注意到，一旦我的同事理解我们在概念层面上要做的事情，他们几乎就会停止倾听!一旦他们开始想象深度学习能帮助他们解决无法解决的问题，那就是它变得非常令人兴奋。“

深度学习的潜在生物学应用是无止境的。在他的实验室里，芬克比纳正试图寻找新的方法来诊断和治疗神经退行性疾病，如阿尔茨海默病，帕金森病和肌萎缩侧索硬化症(ALS)。

Finkbeiner说：“我们仍然不了解90%这些患者的确切病因。”“更重要的是，我们甚至不知道所有患者是否都有相同的原因，或者我们是否可以将疾病归类为不同的类型。深度学习工具可以帮助我们找到这些问题的答案，这对我们如何解决研究疾病的方式我们进行临床试验。“

在不知道疾病的分类的情况下，可以在错误的患者群体上测试药物，并且当它实际上对不同的患者起作用时，似乎是无效的。利用诱导多能干细胞技术，科学家可以将患者自身细胞与临床信息进行匹配，深层网络可以找到两个数据集之间的关系来预测连接。这可以帮助确定具有相似细胞特征的患者亚组，并将其与适当的治疗相匹配。

“随着科学领域中许多先进技术的发展，我认为我们低估了图像的力量，我们的研究再次肯定了显微镜的相关性，”Finkbeiner说。“有趣的是，我们用于训练深度网络的一些图像依赖的方法可以追溯到我作为研究生的日子。我认为我们已经挖掘了这些图像中的每一段有用数据，并在几年前停止使用它们我发现图像中的信息比人类所掌握的要多得多。“

在人工智能的帮助下，可以从图像中获得的特征数量几乎是无限的。人类想象力的极限可能是唯一的剩余因素。