一立方毫米听起来并不多。但在人脑中，这一体积的组织包含约 50,000 条由 1.34 亿个突触连接的神经「线路」。Jeff Lichtman 想追踪所有这些。

为了生成原始数据，他使用了一种称为串行薄层电子显微镜的协议，在 11 个月内对数千条组织进行了成像。但该数据集非常庞大，达到 1.4 PB（相当于大约 200 万张 CD-ROM），对于研究人员来说，他们自己无法处理。「人类根本不可能手动追踪所有的线路。」马萨诸塞州剑桥市哈佛大学的分子和细胞生物学家 Lichtman 说，「地球上没有足够的人来真正有效地完成这项工作。」

这是连接组学（研究大脑的结构和功能连接）以及其他生物科学中的常见问题，其中显微镜的进步正在创造大量的成像数据。但是，在人力资源失败的地方，计算机可以介入，尤其是经过优化以从大型数据集中梳理出模式的深度学习算法。

「在过去的几年里，我们确实经历了深度学习工具寒武纪大爆发般的爆炸式增长。」麻省剑桥市麻省理工学院和哈佛大学布罗德研究所的计算生物学家 Beth Cimini 说。

深度学习是一种人工智能（AI）技术，它依赖于受大脑中神经元互连方式启发的多层人工神经网络。由于它们基于黑盒神经网络，这些算法有其局限性。其中包括依赖大量数据集来教会网络如何识别感兴趣的特征，以及有时难以理解的生成结果的方式。但是，一系列快速增长的开源和基于 Web 的工具使入门变得比以往任何时候都更容易。

以下是深度学习对生物图像分析产生深远影响的五个领域。

阅读详情

内容中包含的图片若涉及版权问题，请及时与我们联系删除