徠卡顯微系統(tǒng)公司有機(jī)會(huì)與 Lundberg 教授探討了運(yùn)用人工智能 (AI) 和機(jī)器學(xué)習(xí)技術(shù)進(jìn)行顯微圖像分析。她在實(shí)驗(yàn)室開(kāi)發(fā)的人工智能和機(jī)器學(xué)習(xí)模型有助于改進(jìn)圖像采集以及隨后的處理和分析。例如，與使用傳統(tǒng)的分析方法相比，科學(xué)家們可以采用更高效的方法識(shí)別細(xì)胞和蛋白質(zhì)。此外，人工智能對(duì)于圖像分割也非常有用，圖像分割可幫助科學(xué)家獲得更好的定量數(shù)據(jù)并進(jìn)行可靠的統(tǒng)計(jì)分析，并且在成像過(guò)程中進(jìn)行幾乎實(shí)時(shí)的分析以便檢查動(dòng)態(tài)細(xì)胞事件。這些模型還可以利用特定格式的空間信息，這些格式可與蛋白質(zhì)組學(xué)數(shù)據(jù)或單細(xì)胞測(cè)序數(shù)據(jù)等其他類型數(shù)據(jù)輕松整合。詳情請(qǐng)閱讀以下采訪。
 
Emma Lundberg 教授

瑞典 KTH 理工學(xué)院細(xì)胞生物學(xué)蛋白質(zhì)組學(xué)教授
她還是細(xì)胞圖譜項(xiàng)目的總監(jiān)，該項(xiàng)目是瑞典人類蛋白質(zhì)圖譜(HPA)項(xiàng)目*的組成部分，后者是用于研究人類蛋白質(zhì)組的開(kāi)源資源。細(xì)胞圖譜項(xiàng)目是 HPA 的一部分，提供人類細(xì)胞系中 RNA 和蛋白質(zhì)的表達(dá)及時(shí)空分布的高分辨率圖像。Lundberg 教授因其在繪制人蛋白質(zhì)組圖方面的創(chuàng)新研究而榮獲瑞典國(guó)家化學(xué)工程師協(xié)會(huì)(SKR)2017年度大獎(jiǎng)。她還是瓦倫堡青年院士（技術(shù)類別，2017-2021 年）。
 
您能否給我們介紹一下您目前的研究工作？
Lundberg 教授：我是人類蛋白質(zhì)細(xì)胞圖譜(HPA)項(xiàng)目的總監(jiān)，該項(xiàng)目涉及繪制人類細(xì)胞中的蛋白質(zhì)分布圖。在這個(gè)大型項(xiàng)目中，我們生成了許多高分辨率共聚焦圖像，目的是解釋蛋白質(zhì)在細(xì)胞中的模式和分布。這項(xiàng)工作相當(dāng)重要，因?yàn)榇蠹s一半的人蛋白存在于兩個(gè)或多個(gè)細(xì)胞區(qū)室中，因此通常是兩種不同模式的混合。我們還研究數(shù)十種不同的細(xì)胞系，這些細(xì)胞系具有不同的形態(tài)，呈現(xiàn)細(xì)胞器的方式也略有不同。在啟動(dòng)該項(xiàng)目時(shí)，我們手動(dòng)進(jìn)行所有標(biāo)注，然后逐漸建立機(jī)器學(xué)習(xí)模型，對(duì)蛋白質(zhì)分布模式進(jìn)行分類。
 
您的研究工作如何在顯微成像中運(yùn)用人工智能和機(jī)器學(xué)習(xí)技術(shù)？它能帶來(lái)哪些優(yōu)勢(shì)？
Lundberg教授： 使用機(jī)器學(xué)習(xí)模型可以節(jié)省大量時(shí)間，但是我相信真正的成功將取決于我們開(kāi)發(fā)的模型能夠?qū)⒖臻g信息嵌入到一種格式中，將其與其他類型的分子測(cè)量數(shù)據(jù)整合，例如蛋白質(zhì)組學(xué)數(shù)據(jù)或單細(xì)胞測(cè)序數(shù)據(jù)。機(jī)器學(xué)習(xí)算法的另一個(gè)主要優(yōu)點(diǎn)是進(jìn)行更加無(wú)偏性的圖像分析。例如，它可以幫助我們僅憑外觀就找到非常相似的細(xì)胞，或者我們可以通過(guò)異常檢測(cè)來(lái)發(fā)現(xiàn)罕見(jiàn)的細(xì)胞。
 
在 HPA 項(xiàng)目中，我們繪制了大多數(shù)人類蛋白質(zhì)的亞細(xì)胞分布圖，現(xiàn)在，我們開(kāi)始研究那些在鄰近細(xì)胞之間的分布上容易發(fā)生變化的時(shí)間動(dòng)力學(xué)和蛋白質(zhì)。為此，我們需要能夠在單細(xì)胞水平上量化空間模式的可靠模型，幫助我們了解細(xì)胞形態(tài)的細(xì)微變化。生物過(guò)程由某些蛋白質(zhì)的相互作用驅(qū)動(dòng)，而且微小的空間重排可能有非常顯著的功能性后果，因此我們希望能夠識(shí)別并量化這些細(xì)微的差異。
 
在實(shí)時(shí)圖像分析方面，我希望新的顯微鏡可以擴(kuò)大我們的視野，例如幫助我們預(yù)測(cè)細(xì)胞的周期位置，或者哪些細(xì)胞將進(jìn)入凋亡階段，或者從明視場(chǎng)圖像預(yù)測(cè)細(xì)胞膜標(biāo)簽和 DAPI 染色，以便能將所有這些增強(qiáng)特性實(shí)時(shí)添加到顯微鏡視圖中。我希望我們最終也會(huì)在數(shù)據(jù)驅(qū)動(dòng)的圖像采集與人工智能驅(qū)動(dòng)的圖像分析之間形成某種閉環(huán)。
 
能否請(qǐng)您再介紹一下，在采集圖像的同時(shí)能夠分析數(shù)據(jù)有何好處？
Lundberg 教授：在 HPA 項(xiàng)目中，我們有時(shí)會(huì)檢查罕見(jiàn)事件，例如特定的酶易位到罕見(jiàn)細(xì)胞的細(xì)胞核中，而它們的功能未知。當(dāng)我們檢查細(xì)胞中的這些罕見(jiàn)的空間重新排列時(shí)，需要在成像過(guò)程中進(jìn)行近實(shí)時(shí)的分析。這樣，我們可以根據(jù)事件具體調(diào)整圖像，尤其在研究動(dòng)態(tài)事件時(shí)。進(jìn)行頻繁的延時(shí)成像時(shí)，通過(guò)這種方法還可以進(jìn)行稀疏成像以避免光毒性，而當(dāng)我們探測(cè)到要研究的罕見(jiàn)事件時(shí)，我們可以選擇性地對(duì)該細(xì)胞成像。
 
相反，如果我們采用手動(dòng)分析圖像的方法來(lái)分析這些罕見(jiàn)事件，就必須停止實(shí)驗(yàn)、進(jìn)行分析，然后重復(fù)實(shí)驗(yàn)。
 
既然你們是自己開(kāi)發(fā)這些技術(shù)，那么你們是否利用這些技術(shù)獲得實(shí)時(shí)結(jié)果呢？
Lundberg 教授：我們有一些可以實(shí)時(shí)運(yùn)行的輕量級(jí)模型。不過(guò)，我們尚未實(shí)現(xiàn)閉環(huán)，也沒(méi)有完成整合，但是我們希望在不久的將來(lái)實(shí)現(xiàn)這一目標(biāo)。例如，我們開(kāi)發(fā)了一種能夠從明視場(chǎng)圖像預(yù)測(cè)細(xì)胞膜染色的模型，通過(guò)該模型，我們能夠?qū)崿F(xiàn)細(xì)胞的高精度實(shí)時(shí)分割。這意味著我們可以在顯微成像過(guò)程中實(shí)時(shí)測(cè)量分割后細(xì)胞中的熒光。
 

 
圖像來(lái)源（人類細(xì)胞）：人類蛋白質(zhì)圖譜 
人工智能和機(jī)器學(xué)習(xí)技術(shù)可以為日常顯微成像工作帶來(lái)的主要價(jià)值是什么？
Lundberg 教授：人工智能驅(qū)動(dòng)的分析可以優(yōu)化和簡(jiǎn)化顯微圖像處理，可以改善信噪比、將圖像去卷積或大幅度增高分辨率。它在提高圖像質(zhì)量方面具有巨大的潛力，*改變了顯微成像領(lǐng)域。
 
在分析方面，機(jī)器學(xué)習(xí)算法可以為分析大型數(shù)據(jù)集創(chuàng)造全新的機(jī)會(huì)。使用現(xiàn)代顯微成像技術(shù)，我們可以生成非常大的顯微鏡數(shù)據(jù)集，而人工智能輔助分析則使我們能夠高效、準(zhǔn)確地分析這些數(shù)據(jù)。
 
此外，我認(rèn)為在成像方面，人工智能對(duì)圖像分析中常用的分割方法非常有用。良好的分割非常有幫助，能讓用戶獲得更好的定量數(shù)據(jù)，進(jìn)行可靠的統(tǒng)計(jì)分析。人工智能驅(qū)動(dòng)并不總那么困難，它可以包括從細(xì)胞分割等一般模型到高級(jí)算法的各種方法。大多數(shù)生物學(xué)家很可能會(huì)發(fā)現(xiàn)機(jī)器學(xué)習(xí)算法在圖像分析中非常有用，沒(méi)有理由不去嘗試一下。
 
無(wú)需處理超大型圖像數(shù)據(jù)集的研究人員也能受益于人工智能輔助分析嗎？
Lundberg 教授：當(dāng)然可以。我認(rèn)為細(xì)胞分割將是他們肯定能從中受益的可用工具之一。機(jī)器學(xué)習(xí)算法還可在模式識(shí)別方面提供很大幫助，例如用于識(shí)別無(wú)標(biāo)志物的特定細(xì)胞器。
 
未來(lái)，機(jī)器學(xué)習(xí)模型可用于挖掘開(kāi)放的圖像存儲(chǔ)庫(kù)。此外，它還使我們有機(jī)會(huì)根據(jù)現(xiàn)有數(shù)據(jù)分析我們自己的成像數(shù)據(jù)。例如，即使您生成小型數(shù)據(jù)集，也可以看到您的表型是否與數(shù)據(jù)庫(kù)中的另一個(gè)表型匹配。
 
目前，將人工智能應(yīng)用于顯微成像的圖像分析是否存在挑戰(zhàn)？
Lundberg 教授：是的，當(dāng)然存在。有多種挑戰(zhàn)：共享和管理海量的圖像數(shù)據(jù)集，滿足用于訓(xùn)練人工智能模型的計(jì)算需求，以及為不習(xí)慣使用人工智能模型的研究人員開(kāi)發(fā)易于使用的界面?？赡軙?huì)有許多障礙，具體要看專業(yè)領(lǐng)域。人工智能專家很可能希望開(kāi)發(fā)更好的模型，而不習(xí)慣使用人工智能模型的顯微鏡工作者可能想要了解如何使用它們。我認(rèn)為在機(jī)器學(xué)習(xí)算法的使用上有許多方面可以改進(jìn)。
 
您認(rèn)為是否有研究人員抗拒采用人工智能輔助分析？
Lundberg 教授：總的來(lái)說(shuō)，我認(rèn)為影像學(xué)界已很好地接受了基于人工智能的工具。我認(rèn)為有些阻力是正常的，因?yàn)槌霈F(xiàn)新的分析工具時(shí)總會(huì)出現(xiàn)這種情況。人工智能輔助圖像分割等迭代工具能夠讓用戶在手動(dòng)修正時(shí)隨時(shí)了解最新情況，在訓(xùn)練期間與模型交互，有助于研究人員對(duì)模型充滿信心，因?yàn)樗麄兛梢钥吹侥Ｐ腿绾沃饾u改進(jìn)。但是，用戶當(dāng)然必須認(rèn)識(shí)到模型要進(jìn)行數(shù)據(jù)訓(xùn)練，如果輸入了錯(cuò)誤數(shù)據(jù)，模型就可能會(huì)提供不可靠的輸出結(jié)果。當(dāng)然，也不應(yīng)該盲目相信人工智能驅(qū)動(dòng)的分析。
 
您是否認(rèn)為監(jiān)督式機(jī)器學(xué)習(xí)可以降低對(duì)人工智能輔助圖像分析法的接受障礙？
Lundberg 教授：當(dāng)然可以。通常，監(jiān)督式機(jī)器學(xué)習(xí)需要對(duì)數(shù)據(jù)進(jìn)行某種標(biāo)注，而這是我們?cè)诔上裰幸呀?jīng)習(xí)慣的事情。例如，當(dāng)用戶想在組織病理學(xué)載玻片中標(biāo)記細(xì)胞或標(biāo)記出感興趣區(qū)域時(shí)——這種實(shí)況數(shù)據(jù)的生成經(jīng)常會(huì)形成瓶頸。只要掌握了數(shù)量足夠的真實(shí)情況數(shù)據(jù)，就可以訓(xùn)練出良好的人工智能模型，但仍需要依靠專家來(lái)生成這種實(shí)況數(shù)據(jù)。真實(shí)情況的質(zhì)量反過(guò)來(lái)又會(huì)決定模型的質(zhì)量。我相信，如果實(shí)現(xiàn)這個(gè)循環(huán)并進(jìn)行迭代分析，我們可以在專家的指導(dǎo)下訓(xùn)練出更好的模型，改善模型的薄弱環(huán)節(jié)。這也是一種進(jìn)步，能夠幫助真正的生物學(xué)專家增加對(duì)模型的信心，他們可以看到模型如何漸漸得到改進(jìn)。這種“人在回路"方法是一種意義重大的進(jìn)步。
 
您認(rèn)為圖像分析的未來(lái)會(huì)如何？
Lundberg 教授：我認(rèn)為人工智能模型將真正幫助我們理解和挖掘圖像數(shù)據(jù)的所有豐富內(nèi)涵。此外，人工智能還可以幫助我們更智能地制定圖像采集方案，使我們收集到更好的數(shù)據(jù)。人工智能工具將幫助我們超解析、還原和處理圖像，從而生成更快、更智能、更高質(zhì)量的數(shù)據(jù)，并且為解釋圖像數(shù)據(jù)和根據(jù)圖像數(shù)據(jù)做出預(yù)測(cè)等提供新的可能性。
 
我們還需要克服哪些限制，才能使計(jì)算分析方法被廣泛接受？
Lundberg 教授：我認(rèn)為一個(gè)很大的限制是缺乏免費(fèi)的公共開(kāi)放圖像存儲(chǔ)庫(kù)，以及用于共享顯微成像人工智能模型的模型庫(kù)。如果我們可以共享所有針對(duì)顯微成像開(kāi)發(fā)的人工智能模型，并且可以獲取所有已采集的圖像，那么您就可以訓(xùn)練所有類型的模型，可以研究各種科學(xué)問(wèn)題！
 
您會(huì)對(duì)研究人員說(shuō)些什么來(lái)讓他們感興趣并考慮使用人工智能驅(qū)動(dòng)的分析？
Lundberg 教授：現(xiàn)在的時(shí)機(jī)很合適——市場(chǎng)上有許多很好的工具，即使不是專家，也可以學(xué)習(xí)如何使用它們。沒(méi)有理由不接受人工智能驅(qū)動(dòng)的分析方法，因?yàn)樗梢蕴峁└玫膱D像和更好的圖像分析。大多數(shù)顯微鏡工作者在計(jì)劃和設(shè)置實(shí)驗(yàn)上投入大量時(shí)間。那么，為什么不同樣花一些時(shí)間采用這種新技術(shù)來(lái)改進(jìn)分析呢？
 
如果想了解人工智能驅(qū)動(dòng)的圖像分析，有一個(gè)非常友好、很有幫助的社群。此外，還有許多關(guān)于這個(gè)方面的開(kāi)源工具和論壇，所以沒(méi)有理由不去嘗試一下。
 
目前，在 HPA 數(shù)據(jù)庫(kù)中，我們每年擁有大約 1000 萬(wàn)張圖像和 120 多萬(wàn)用戶。到目前為止，我們只允許用戶從我們這里下載數(shù)據(jù)。也許，在未來(lái)的某個(gè)時(shí)候，我們能允許用戶上傳自己的圖像數(shù)據(jù)，并且除了文字外還能通過(guò)圖像查詢我們的數(shù)據(jù)庫(kù)。這是個(gè)非常切實(shí)的目標(biāo)，我認(rèn)為人工智能會(huì)帶來(lái)很多這樣的機(jī)會(huì)。

了解更多：徠卡顯微