使用新颖的深度学习方法重建疾病进展

亥姆霍兹慕尼黑中心的研究人员已经开发出一种新方法重建连续的生物过程,如疾病进展,使用图像数据。的研究发表在自然通讯。

现代生命科学中生成一个不断增长的数据量越来越短周期。使这些数据可控,适合亚历山大博士博士的目标是评估亥姆霍兹慕尼黑中心的狼和他的同事计算生物学研究所(ICB)。有鉴于此,研究人员正试图开发软件,处理这种评价。当然有各种各样的障碍清除。

“在当前的研究中,我们处理这个问题,软件不能将图像数据分配给连续的过程,”研究负责人沃尔夫解释说。“例如,可以分类图像信息根据明确的分类,但是在疾病进展和发育生物学,限制很快就到达,因为过程是连续的,而不是单个步骤。”

为了考虑到这,亥姆霍兹团队工作方法从所谓的深度学习*(即机器学习过程)。“现在使用人工神经网络,我们可以结合个人照片到流程和另外显示它们在某种程度上,人类理解,”菲利普说Eulenberg Niklas科勒,ICB前硕士学生和该研究的第一作者。

血液细胞和视网膜陪练伙伴

为了证明方法的能力,科学家们选择的两个例子。在第一种方法中,软件重构白细胞的细胞周期连续使用图像的成像流式细胞分析仪(生产在荧光显微镜照片)。“进一步利用这个考试是我们的软件是如此之快,它可以提取细胞动态发展,意义而分析血细胞计数器仍在运行,”沃尔夫解释说。“此外,我们的软件让六倍比以前的方法更少的错误。”

在第二个实验中,研究人员重新糖尿病视网膜病变的进展。* *“我们喂养我们的软件30000个人图像的视网膜作为陪练伙伴,可以说,“Niklas科勒解释道。”,因为它自动将这些数据编译为一个持续的过程,软件允许我们在连续范围内预测疾病进展。”

如果数据没有连续的生物过程的一部分吗?”在这种情况下,软件认识到个人涉及类别和分配各个集群进行实测,”沃尔夫解释说。除了进一步应用程序的方法,在未来的狼和他的同事们想解决其他问题涉及使用机器学习生物数据的评价。

这篇文章被转载材料所提供的亥姆霍兹慕尼黑中心的的。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考