?2021 Daniel Sage
在EPFL成像中心的倡议下，一个来自EPFL和马德里卡洛斯三世大学的工程师团队开发了一个插件，可以更容易地将人工智能整合到生命科学研究的图像分析中。这个名为deepImageJ的插件在今天发表在《自然方法》杂志上的一篇论文中有描述。
丁丁越狱在过去的五年里，图像分析已经从传统的基于数学和观测的方法转向数据驱动的处理和人工智能。这一重大发展使图像中有价值信息的检测和识别变得更容易、更快，而且越来越自动化——几乎在每个研究领域都是如此。说到生命科学，深度学习——人工智能的一个子领域，在生物图像分析方面显示出越来越大的潜力。不幸的是，使用深度学习模型通常需要编码技能，而很少有生命科学家拥有这些技能。为了使这一过程更简单，来自EPFL和UC3M的图像分析专家与EPFL的成像中心合作，开发了deepImageJ——一个开源插件，今天发表在《自然方法》杂志上的一篇论文对此进行了描述。
在生物医学研究中使用神经网络
对于诊断和药物开发等许多依赖成像技术的领域来说，深度学习模型是一个重大突破。例如，在生物成像中，深度学习可以用于处理大量图像集合，检测有机组织中的病变，识别神经细胞之间的突触，并确定细胞膜和细胞核的结构。它是理想的识别和分类图像，识别特定的元素，并预测实验结果。
这种类型的人工智能包括训练计算机通过利用大量以前注释的数据来执行任务。它类似于进行面部识别的闭路电视系统，或增强照片效果的移动相机应用程序。深度学习模型基于复杂的计算体系结构，称为人工神经网络，可以为特定的研究目的进行训练，比如识别特定类型的细胞或组织病变，或改善图像质量。训练后的神经网络被保存为一个计算机模型。
人工智能，但没有密码
对于生物医学成像，一个由欧洲研究人员组成的联盟正在开发一个存储这些预先训练的深度学习模型的库，称为生物图像模型动物园(BioImage Model Zoo)。“为了训练这些模型联众作弊器，研究人员需要特定的资源和技术知识——尤其是Python编码——这是许多生命科学家所不具备的，”Daniel Sage说，他是EPFL成像中心的工程师，负责监督deepImageJ的开发。“但理想情况下，这些模型应该适用于所有人。”
deepImageJ插件搭建了人工神经网络和使用它们的研究人员之间的桥梁。现在，生命科学家可以请计算机工程师设计并训练机器学习算法来执行特定任务，然后科学家可以通过用户界面轻松地运行该算法——无需看到一行代码。这个插件是开源和免费的，它将加速计算机科学新发展的传播和生物医学研究的出版。它被设计成一个协作资源，使工程师、计算机科学家、数学家和生物学家能够更有效地一起工作。例如，最近一个由EPFL硕士学生开发的模型，作为一个跨学科团队的一部分，使科学家能够在组织切片上区分人类细胞和老鼠细胞。
研究人员也可以训练用户
世界各地的生命科学家多年来一直希望有一个这样的系统，但是——直到EPFL的成像中心介入——没有白城风雷人接受建造一个这样的系统的挑战。该研究小组由该中心的学术主任丹尼尔·塞奇(Daniel Sage)和迈克尔·乌瑟(Michael Unser)，以及UC3M的副教授Arrate Mu?oz Barrutia领导。Mu?oz-Barrutia教授和她的一名博士生Estibaliz Gómez-de-Mariscal，以及生物工程研究助理Carlos García López de Haro一起领导了操作开发工作。
为了让尽可能多的研究人员能够使用这个插件，该小组还开发了虚拟研讨会、培训材料和在线资源，以期更好地开发人工智能的全部潜力。这些材料的设计考虑到了程序员和生命科学家，因此用户可以快速掌握新方法。DeepImageJ还将在ZIDAS上展示，这是为瑞士生命科学家提供的为期一周的图像和数据分析课程。
巴宝莉包包价格