人工智能识别死亡细胞的速度比人快100倍，或可助力治疗阿尔茨海默病

了解细胞何时以及为何死亡，对于研究人类发育、疾病和衰老至关重要。对于肌萎缩侧索硬化症（卢伽雷病）、阿尔茨海默病和帕金森病等神经退行性疾病，识别死亡和濒死的神经元对于开发和测试新疗法至关重要。 

但识别死亡细胞可能十分困难。迄今为止，科学家必须在显微镜下人工标记哪些细胞看起来是活的，哪些是死的。死亡细胞具有特征性的皱缩外观，只要知道该找什么，就相对容易辨认。 

研究人员雇佣了大批按小时计酬的实习学生，让他们查看数千张图像，并统计样本中每个神经元何时死亡。遗憾的是，人工完成这项工作既缓慢、昂贵，而且有时容易出错。

更复杂的是，科学家最近开始使用自动显微镜持续捕捉细胞随时间变化的图像。虽然自动显微镜简化了拍摄过程，但也产生了海量图像，需要人工筛选。 

显然，人工筛选既不精确，也不高效。此外，大多数成像方法只能检测到细胞死亡的晚期阶段，有时甚至是细胞已开始分解数天之后。这使得人们难以区分真正导致细胞死亡的因素与仅仅参与其分解过程的因素。

科学家们已尝试实现筛选过程的自动化一段时间。最初的尝试无法应对研究中使用的各种细胞类型和显微镜，也无法与实习生的准确度相媲美。 

但该研究团队开发的新人工智能技术能够以超越人类的准确度和速度识别死亡细胞。这一进展有望加速各类生物医学研究，尤其是神经退行性疾病领域的研究。

近来，人工智能迅速席卷了显微镜领域。一种名为卷积神经网络（CNN）的人工智能形式尤其引人关注，因为它分析图像的准确度可与人类媲美。

卷积神经网络可以学习识别和检测图像中的复杂模式。与人类视觉类似，向CNN提供大量图像示例并指明应关注的特征，就能让计算机学会识别感兴趣的模式。

这些模式可能包括肉眼难以看清的生物现象。例如，有一个研究小组成功训练CNN识别皮肤癌，其准确度超过了经过训练的皮肤科医生。最近，科学家还训练CNN在显微图像中识别复杂的生物特征，例如细胞类型。

基于这些工作，加州大学旧金山分校吉斯通研究所的研究人员开发了一项名为生物标志物优化卷积神经网络（BO-CNN）的新技术，用于识别死亡细胞。首先，他们需要训练BO-CNN区分明显死亡和明显存活的细胞。 

为此，他们准备了一个培养皿，其中装有小鼠神经元，这些神经元经过改造，能够产生一种名为遗传编码死亡指示剂（GEDI）的无毒蛋白质，它会将活细胞染成绿色，将死细胞染成黄色。BO-CNN很容易就能学会绿色代表“存活”，黄色代表“死亡”。但它还研究了区分活细胞与死细胞的其他特征，这些特征对人眼而言并不明显。

在BO-CNN学会识别区分绿色与黄色细胞的特征后，研究人员向它展示了颜色不加区分的神经元。BO-CNN正确标记活细胞和死细胞的速度和准确度都明显超过了经过同样训练的人类。即使面对它从未见过的细胞类型，以及使用不同类型显微镜拍摄的图像，该模型仍能正确识别死亡细胞。

然而，仍有一个明显的问题：为什么研究人员的模型在识别死亡细胞方面如此有效？

科学家通常将CNN的决策视为黑箱，人们更关心其运行效果如何，而计算机用于完成视觉任务的策略则被认为不那么重要。然而，既然细胞结构中必然存在模型在决策时依据的某些模式，那么找出这些模式就能帮助科学家更好地确定细胞死亡的表现形式，并理解其发生的原因。

为了弄清这些模式是什么，团队使用了额外的计算工具，将BO-CNN的决策可视化。结果显示，他们的BO-CNN模型部分是通过关注细胞核内荧光模式的变化来检测细胞死亡的。这是人类标注者此前未曾注意到的特征，这或许也解释了为何以往人工智能模型的设计准确度不如BO-CNN。

研究人员认为，他们的方法代表了人工智能用于研究复杂生物学的重大进展，这一概念验证可广泛应用于显微图像中细胞死亡检测之外的领域。其软件是开源的，可供公众使用。

活细胞显微成像包含极其丰富的信息，研究人员难以解读。但借助BO-CNN等技术，他们现在可以利用细胞自身的信号来训练人工智能，使其识别并解读其他细胞中的信号。BO-CNN排除了人为猜测，提高了研究的可重复性和速度，并可帮助科学家发现图像中那些他们原本难以轻易识别的新现象。

借助人工智能，该研究团队目前正致力于扩展BO-CNN技术，以实现对未来的预测，即在受损细胞开始死亡之前就将其识别出来。他们认为，这可能会改变神经退行性疾病研究的格局，有助于找到阻止神经元死亡的新方法，并最终带来更有效的治疗手段。