近年来，人工智能的受欢迎程度急剧上升，许多支持者对其在医学领域的潜在应用感到兴奋：例如快速处理样本或识别人眼可能忽略的疾病标志物。然而，应用人工智能是否总是最佳选择？
研究人员发现，虽然一种称为虚拟染色的人工智能方法在某些情况下可以改善医疗图像的使用，但在其他情况下，它实际上可能会降低从这些图像中获取有用信息的能力。总体而言，他们在决定是否将人工智能应用于特定工作流程时建议谨慎，以确保与其它方法相比，它确实能提高准确性。
"总体结论是，人工智能可以是一个极好的工具——它在某些情况下确实有帮助——但你必须稍微谨慎一些。"
Sourya Sengupta，贝克曼先进科学技术研究所研究生，本研究的主要作者
这项研究由标签自由成像与多尺度生物光子学中心（Center for Label-free Imaging and Multiscale Biophotonics，简称CLIMB）的研究人员进行，该中心旨在通过开发新的成像方法和算法，改进临床和研究应用的成像技术。除了Sengupta外，CLIMB研究人员Phuong Nguyen、Frank Brooks、Yang Liu和Mark Anastasio都参与了该项目。
我们大多数人在医生就诊时都曾接受过医学影像检查，例如超声波、MRI或X光。这些基本工具帮助研究人员和临床医生诊断疾病、测试新治疗方法并监测患者健康状况。另一类常见的医学影像是显微镜图像，它使临床医生能够更仔细地观察放大的组织和细胞样本。
为了提高显微镜图像的对比度——例如，使细胞的某一部分突出，以便临床医生分析其特征——组织或细胞样本通常使用染料或其他化学物质进行染色。虽然染色被广泛使用，但它可能耗时且可能损坏细胞。
无标记成像是一种不向样本添加化学物质的替代染色方法。相反，研究人员利用生物材料的自然特性进行观察并创建图像。例如，测量光线通过透明物体（如细胞）的不同方式，可以为我们提供关于细胞密度和生长的信息。
然而，这种方法也有缺点。无标记图像的对比度通常仍低于染色图像，这可能使识别关键特征变得困难。为了提高无标记图像的实用性和可靠性，最近人们对一种称为虚拟染色的新方法产生了兴趣。
在虚拟染色过程中，计算模型分析无标记图像，并预测该图像在染色后会是什么样子。理想情况下，这将产生具有染色图像高对比度的图像，但生产速度要快得多，而且不会因化学物质而损坏样本。然而，确认这些虚拟染色图像在生物学发现和临床应用中是否真正准确和有用非常重要。
Sengupta说："在医学或药物发现中，获取图像是不是最终目标。在生物医学成像中，我们总是从任务角度思考：图像旨在服务的生物学或临床应用。因此我们开始询问：这些计算生成的图像可能看起来很真实，但它们是否真的有助于完成实际任务？"
回答这类问题的最大挑战之一就是拥有足够的数据。研究人员通常需要大量成对的图像——一组来自无标记成像，另一组来自荧光染色——来训练和测试各种人工智能模型。幸运的是，Liu的团队最近开发了Omni-Mesoscope，这是一个强大的高通量成像系统，可以在几分钟内捕捉不同状态下的数万个细胞，创建大量高质量数据集。这些数据集为测试虚拟染色图像在实际分析任务中的表现提供了基础。
研究人员测试了虚拟染色图像在两项任务中与无标记图像和染色图像相比的表现。首先，图像用于分割任务：神经网络识别单个细胞核并将它们裁剪成各自的图片的过程。就像裁剪照片一样，这使研究人员和临床医生能够专注于图像中最重要的部分。
其次，研究人员在细胞分类任务中使用了这些图像，网络识别了药物处理后不同细胞所处的阶段。此任务在研究和疾病治疗中监测药物有效性方面有应用。
对两个细胞的无标记（第一列）、虚拟染色（中间列）和荧光染色（最后一列）图像的比较。底部一行的细胞经过药物处理，而顶部一行的细胞则没有。
对于这两项任务，研究人员评估了使用每种类型图像时不同网络的性能。研究人员想知道每种图像类型的相对成功是否会因所用网络的特性而改变，因此他们使用五种不同的网络重复了这些任务。
许多网络执行类似的任务，但根据网络被编程学习的方式，一些网络可能比其他网络更擅长表示复杂功能或关系。这些网络被称为高容量网络。本研究中使用的网络具有不同的容量，因此研究人员能够看到容量是否影响网络使用虚拟染色图像的方式。
当由低容量网络处理时，虚拟染色图像的表现比无标记图像好得多。然而，对于高容量网络来说，情况并非如此。当应用于分割任务时，虚拟染色和无标记图像在高容量网络处理下表现大致相同。然而，当应用于细胞分类任务时，虚拟染色图像的表现明显更差。换句话说，当使用高容量网络分析图像时，如果您使用无标记图像而不是虚拟染色图像，您更有可能获得准确的信息。
Sengupta说，这一结果与"数据处理不等式"的概念一致，该概念指出处理任何图像（例如通过虚拟染色）不能增加该图像中包含的信息。这类似于修饰家庭照片：你可以模糊背景使人物突出，但无论怎么编辑都无法打开快门点击时正在眨眼的人的眼睛。
虚拟染色图像可能有助于低容量网络，因为处理可以强调重要信息。相比之下，高容量网络已经能够从无标记图像中提取复杂关系，因此虚拟染色对其没有帮助。虚拟染色过程甚至可能移除对某些任务至关重要的信息，这可能解释了为什么在细胞分类任务中虚拟染色图像的表现比无标记图像更差。
虽然人工智能在医疗保健的许多领域都有潜在应用，但Sengupta提醒对此技术感兴趣的临床医生、研究人员和公众注意其局限性。如果人工智能用于特定任务，重要的是验证它在该情况下是否确实有益。
Sengupta说："即使人工智能现在是一个流行词，但在生物医学成像和医疗保健等敏感领域应用时，你必须稍微谨慎一些。在很多情况下，人工智能非常有用，但它可能并不总是如此。"
【全文结束】
