使用新型深度学习方法重建疾病进程

Helmholtz ZentrumMünchen的研究人员开发了一种使用图像数据重建连续生物过程(例如疾病进展)的新方法。该研究发表在《自然通讯》上。

现代生命科学在越来越短的周期内产生不断增长的数据量。Helmholtz ZentrumMünchen慕尼黑计算生物学研究所(ICB)的Alexander Wolf博士及其同事的目标是使此类数据可控且适合评估。考虑到这一点，研究人员正在尝试开发处理该评估的软件。但是，当然还有许多障碍需要解决。

“在当前的研究中，我们解决了软件无法将图像数据分配给连续过程的问题，”研究负责人Wolf解释道。“例如，可以根据明确定义的类别对图像信息进行分类，但是在疾病进展和发育生物学中，由于过程是连续的而不是单独的步骤，因此可以很快达到极限。”

为了考虑到这一点，亥姆霍兹团队采用了所谓的深度学习*(即机器学习过程)中的方法。“使用人工神经网络，我们现在可以将单个图片组合到过程中，并以人类能够理解的方式显示它们，” ICB的前硕士研究生，该研究的第一作者Philipp Eulenberg和NiklasKöhler说。

血细胞和视网膜作为陪练伙伴

为了证明该方法的能力，科学家选择了两个例子。在第一种方法中，该软件使用来自成像流式细胞仪的图像(在荧光显微镜中产生图像)重建白细胞的连续细胞周期。“这项检查的另一个优势是我们的软件非常快，可以即时提取细胞发育，这意味着在细胞仪中进行分析仍在进行，” Wolf解释说。“此外，我们的软件产生的错误比以前的方法少六倍。”

在第二个实验中，研究人员重建了糖尿病性视网膜病变的进展。**“可以通过向我们的软件提供30,000张视网膜视网膜图像作为陪练伙伴来做到这一点，” NiklasKöhler解释说。“由于它自动将这些数据汇编成一个连续的过程，因此该软件使我们能够以连续的规模预测疾病的进展。”

如果这些数据不是连续的生物学过程的一部分?“在这种情况下，软件会识别出涉及到的各个类别，并将测量的数据分配给各个群集，” Wolf解释说。除了该方法的进一步应用之外，在未来，Wolf及其同事还希望解决其他问题，这些问题涉及使用机器学习对生物数据进行评估。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！