NatureMethods“修圖”技術遭質疑：低分辨率變成高分辨率

　　科學家們利用一種人工智能技術，將低分辨率的細胞顯微照片轉化為使用超高分辨率技術才能得到的高質量圖像。

　　這一研究成果公布在12月17日的Nature Methods雜志上，新技術有助于研究人員利用標準臺式顯微鏡獲得高質量的圖像。文章作者，加州大學洛杉磯分校Aydogan Ozcan表示， “（超高分辨率方法）在實際應用中受限于設備和專業知識方面。現在，通過AI，我們可以改變游戲規則。”

　　在過去一兩年中，顯微鏡研究領域的研究人員改進了人工智能技術，希望改善獲取圖像的過程及質量，一些研究已經從低質量的起始圖像中獲得了超分辨率圖像。

　　在最新研究中，Ozcan等人訓練了所謂的深度神經網絡，這種計算機模型可以學習輸入數據之間的非線性關系，將共聚焦和熒光顯微鏡圖像轉換成高質量圖像，如受激發射損耗顯微鏡（STED）和結構照明顯微鏡（SIM）。 Ozcan表示，與通過超高分辨率技術獲得的圖像進行的比較顯示，神經網絡“不會產生幻覺”， “它確實展示了超分辨率功能。”

　　谷歌研究科學家Samuel Yang說：“我認為這很可靠，如果（靶標結構）的外觀不會發生太大變化，我認為使用這種技術是完全有效的。”

　　不過匈牙利科學院生物研究中心的計算細胞生物學家Peter Horvath說，深層神經網絡可能會錯過樣本中的關鍵細微差別。 “它從另一張看起來相似的圖像中復制內容，但通常在研究中我們希望找到與其他圖像不同的東西，這正是這種方法的缺陷，因為它不會發現差異。”

　　一些研究人員已成功地利用深度神經網絡捕獲這些異常。例如，今年早些時候，巴斯德研究所計算生物物理學家Christophe Zimmer開發了一種網絡，用于降低幀數，從而減少獲取與超高分辨率技術（localization microscopy）相當的圖像所需的時間。Zimmer說，通過訓練后，這種網絡可以準確地獲得具有異常微管的超高分辨率圖像。

　　Zimmer也警告說，這種模型擴展能力有限，當對核孔圖像進行檢測時，他們發現神經網絡“試圖讓小纖維通過這些核孔，因此圖片中都是細絲而不是八角形結構。”

　　Ozcan等人表示，他們的網絡可以成功制作出新樣本類型的超高分辨率圖像。例如，他們論文中的補充圖像就說明了肌動蛋白微絲圖像進行訓練的模型如何能夠準確地改善線粒體或血管圖像的分辨率。“我們有證據表明它正在將這種超分辨率概念延展到之前未見過的樣品上，”Ozcan說。

　　這一說法引起了專家們的質疑。

　　Broad研究所計算機科學家Allen Goodman指出，這種AI方法提高分辨率的常見缺點是在延展到不同類型圖像時會出現性能不佳。問題在于，在訓練過程中，網絡無法更新“在它們正在處理的問題”。

　　Ozcan強調，他的論文表示最好將網絡重新訓練為新的樣本類型。“但這具有普遍性，”他說，“你可以應用的多廣，我認為每個人都有的問題。”