NatureMethods“修图”技术遭质疑：低分辨率变成高分辨率

　　科学家们利用一种人工智能技术，将低分辨率的细胞显微照片转化为使用超高分辨率技术才能得到的高质量图像。

　　这一研究成果公布在12月17日的Nature Methods杂志上，新技术有助于研究人员利用标准台式显微镜获得高质量的图像。文章作者，加州大学洛杉矶分校Aydogan Ozcan表示， “（超高分辨率方法）在实际应用中受限于设备和专业知识方面。现在，通过AI，我们可以改变游戏规则。”

　　在过去一两年中，显微镜研究领域的研究人员改进了人工智能技术，希望改善获取图像的过程及质量，一些研究已经从低质量的起始图像中获得了超分辨率图像。

　　在最新研究中，Ozcan等人训练了所谓的深度神经网络，这种计算机模型可以学习输入数据之间的非线性关系，将共聚焦和荧光显微镜图像转换成高质量图像，如受激发射损耗显微镜（STED）和结构照明显微镜（SIM）。 Ozcan表示，与通过超高分辨率技术获得的图像进行的比较显示，神经网络“不会产生幻觉”， “它确实展示了超分辨率功能。”

　　谷歌研究科学家Samuel Yang说：“我认为这很可靠，如果（靶标结构）的外观不会发生太大变化，我认为使用这种技术是完全有效的。”

　　不过匈牙利科学院生物研究中心的计算细胞生物学家Peter Horvath说，深层神经网络可能会错过样本中的关键细微差别。 “它从另一张看起来相似的图像中复制内容，但通常在研究中我们希望找到与其他图像不同的东西，这正是这种方法的缺陷，因为它不会发现差异。”

　　一些研究人员已成功地利用深度神经网络捕获这些异常。例如，今年早些时候，巴斯德研究所计算生物物理学家Christophe Zimmer开发了一种网络，用于降低帧数，从而减少获取与超高分辨率技术（localization microscopy）相当的图像所需的时间。Zimmer说，通过训练后，这种网络可以准确地获得具有异常微管的超高分辨率图像。

　　Zimmer也警告说，这种模型扩展能力有限，当对核孔图像进行检测时，他们发现神经网络“试图让小纤维通过这些核孔，因此图片中都是细丝而不是八角形结构。”

　　Ozcan等人表示，他们的网络可以成功制作出新样本类型的超高分辨率图像。例如，他们论文中的补充图像就说明了肌动蛋白微丝图像进行训练的模型如何能够准确地改善线粒体或血管图像的分辨率。“我们有证据表明它正在将这种超分辨率概念延展到之前未见过的样品上，”Ozcan说。

　　这一说法引起了专家们的质疑。

　　Broad研究所计算机科学家Allen Goodman指出，这种AI方法提高分辨率的常见缺点是在延展到不同类型图像时会出现性能不佳。问题在于，在训练过程中，网络无法更新“在它们正在处理的问题”。

　　Ozcan强调，他的论文表示最好将网络重新训练为新的样本类型。“但这具有普遍性，”他说，“你可以应用的多广，我认为每个人都有的问题。”