显微镜中的人工智能:机遇、挑战和未来

对于研究人员来说，生物图像处理和分析通常是一项艰巨而复杂的任务。Aivia旨在帮助研究人员利用人工智能(AI)引导的图像分析和可视化解决方案解决最具挑战性的成像应用。

188金宝搏备用我们采访了徕卡艾维亚的总监卢西亚诺·卢卡斯博士，to了解更多关于生物图像分析的挑战，以及人工智能如何帮助克服这些挑战。在这次采访中，卢卡斯博士还解释道一些潜力在实验室中广泛采用人工智能的障碍，并分享了他对人工智能显微镜技术未来发展方向的看法。

安娜·麦克唐纳(AM):研究人员在进行生物图像分析时面临哪些挑战?人工智能如何帮助解决这些问题?

Luciano Lucas博士(LL)：当涉及到图像处理和图像分析时，生物制药/生命科学领域的研究人员面临着广泛的问题。我们已经确定并正在努力解决的关键问题是:

1）开发、实施和获得最先进的人工智能技术(AI显微镜)。这种技术可以完成以前不可能进行的实验。然而，人工智能显微镜是一门需要进一步研究、验证和表征的新学科。我们和社区中的其他人都非常积极地完成这一重要任务。经过四年半的研发，我们有足够的信心向公众发布我们所做的一些工作，无论是预先训练的深度学习模型(见我们的研究报告)3 d RCAN纸和Aivia DL模型库)或启用软件工具，让每个人都能利用一些关键的人工智能显微镜技术(例如AiviaCloud)。

2）固有图像质量．图像采集与图像分析在时间上相互解耦。这通常会导致生成大量图像数据，而这些数据对于分析来说“不够好”。

3）数据大小．这在可视化和分析方面都提出了各种各样的问题。

4）结果的准确性和再现性．两者都是科学发现过程的重要组成部分。

5)工具的复杂性．制作易于学习和使用的工具对于采用是至关重要的——这一点经常被低估。

我们的研究工作主要集中在上面的第一个方面，但我们也有积极的内部研发项目来解决其他问题。当我们解决上面提到的关键问题时，我们努力提高基于图像数据的科学发现率。我们相信这可以通过改善我们(人类)与软件和硬件的交互方式来实现。目前的工具忽略了这样一个事实:研究人员是生物学(或类似学科)的专家，在显微镜、图像分析和/或数据科学/机器学习(ML)/深度学习(DL)/AI方面的专业知识可能非常有限。通过创建承认和利用生物学家专业知识的工具，我们可以创建从用户那里学习(生物学)的智能工具。这些工具将逐渐了解细胞是什么，以及它在多种场景下的样子。最终，软件/硬件应该能够自主地进行成像和图像分析，从而使研究人员能够专注于科学发现过程中的创造性和批判性思维部分。

AM:实验室采用人工智能有多容易?是否有需要克服的障碍?

噢,从可用性的角度来看，这很容易。Aivia是任何人都可以使用的专业开发和支持的软件平台的一个重要例子。在这个领域也有一些开源项目提供了强大的技术解决方案。更广泛采用的问题是工具和技术的复杂性。人工智能是显微镜/生物医学科学界的一个新课题。因此，专家很少，好的工具也很少。

在过去的三年里，我们看到了使用人工智能显微镜的预印本和同行评审出版物的大幅增加，以及关于该主题的几个备受瞩目的课程和研讨会的创建(参见《人工智能显微镜》)人工智能显微镜研讨会)．我预计在未来几年，随着这种方法从实验室/小组/公司中分离出来，成为“主流”，出版物的数量将继续增加。这个社区的领导人将需要继续他们的宣传和教育活动——反过来，这将有助于解决上述关键问题。

创建能够清楚显示人工智能对显微镜的价值的工具(软件和硬件)是关键。当今最好的人工智能工具在ML/DL专家手中可以实现很多功能，但在大多数情况下，对于这个领域的非专家来说并不容易使用。我们的团队非常清楚这一点，并专注于创建工具(Aivia/AiviaWeb/AiviaCloud)，以消除复杂性，同时为显微镜应用提供人工智能的全部功能。

问:你能告诉我们更多关于Aivia以及它的独特之处吗?

噢,Aivia让所有人都能使用人工智能显微镜。从图像恢复(和超分辨率)到图像分割和虚拟染色，我们可以在一个易于使用的平台上完成这一切。Aivia也适用于大型(多TB)数据集，并有几个很好的自动化和可再现性解决方案。

AM:你对人工智能在显微镜领域的未来有什么看法?

噢,在这个领域工作是一种真正的快乐——几乎每天都有新的想法，具有巨大的变革潜力。下面是我最喜欢的一些(不是所有的都在显微镜世界中使用——至少现在还没有)。

· GPT3

· 变形金刚

· 洪水填充网络

· 聪明的显微镜

· U-net

· 护理

· 神经形态处理单元

· 光学深度学习

· 虚拟染色

在接下来的几十年里，我们将逐渐从良好(即人类水平的性能)的人工智能解决方案/工具转向“系统1学习和思考，到可以进行“系统2”学习和思考的AI代理。这在显微镜和更普遍的情况下都是真正的挑战。在需要集成和考虑多个、不完整的、多领域数据源的任务方面，人类可能会远远优于人工智能代理。随着我们创造出更好的AI代理，它们可以更频繁地以系统2的方式行事，人类将能够将更多的时间用于创造性和创新性任务，例如创建科学假设，设计实验来测试这些假设，以及解释AI代理提供的见解。

卢西亚诺·卢卡斯博士接受了科技网络科学作家安娜·麦克唐纳的采访。188金宝搏备用