人工智能图形图像识别的典型应用（一种面向细胞生物学家的人工智能图像分类器）

细胞分裂是生物生长和修复的重要过程。细胞生物学家通过观察染色体--由含有生物体遗传物质的DNA构成的结构--来跟踪这一过程。显微镜技术的进步和自动化使得研究人员能够在短时间内拍摄到更好的染色体图像。然而，他们的分析仍然很大程度上是手工完成的，这通常是一项繁琐的任务。对于植物来说尤其如此，它们在染色体大小和数量上表现出巨大的多样性。

现在，来自日本的研究人员采取了不同的方法。由日本冈山大学的长崎清宅（Kiyotaka Nagaki ）副教授领导的团队采用了深度学习的方法。人工智能(Ai)对几种植物的染色体图像进行分类。虽然这本身并不是什么新鲜事，但有趣的是，他的团队已经证明，即使是非专家也可以轻易地利用人工智能。

这怎么可能的？Nagaki博士说：“使用人工智能对图像进行分类通常需要高水平的计算机知识。我们所做的是在McIntosh计算机上用CreateML应用程序构建适合我们自己的图像样本的人工智能模型。此外，人工智能可以被训练成适合自己目的的各种图像的定购图像分类器。”

这个研究小组使用染色体图像来训练深度学习模型若要检测图像或图像的部分，请将细胞正在经历“有丝分裂”，一个细胞分裂成两个完全相同的子细胞。他们根据模型正确分类。

接下来，研究小组用训练期间未使用的植物物种的有丝分裂细胞图像对模型进行测试。令他们高兴的是，在这些图像中，模型正确地区分了有丝分裂细胞。此外，这项技术也适用于组织切片中的细胞和不同的组织切片中的细胞分裂。

这些结果表明，该团队开发的深度学习管道可以方便、可靠地被不同学科的非数据科学家使用，大大简化和加快了图像分析的任务。

此外，这种报告方法的范围可以扩大到更复杂的分析，例如识别染色体畸变和开发新的目标检测和分类咨询系统。长崎博士说：“在我们的生活中，有比人们想象的更多琐碎的分类。通过委托人工智能来实现这类分类的自动化，不仅可以消除个体差异造成的波动，而且还可以节省许多宝贵的研究时间。简化这些琐碎的分类，可以使大量基于图像的研究更具重复性和可靠性，”Nagaki博士说。

事实上，正如他所说的那样，“任何人都可以使用的深度学习分类器”，可能是我们理解生物物种的各种细微差别的关键。

更多内容：Kiyotaka Nagaki et al, Effectiveness of Create ML in microscopy image classifications: a simple and inexpensive deep learning pipeline for non-data scientists, Chromosome Research (2021). DOI: 10.1007/s10577-021-09676-z