本文為轉化醫學網原創，轉載請註明出處
作者：Cathy
導言：患者的肝臟狀況如何？服藥會給肝臟帶來哪些影響？腎臟發炎了嗎？腦中是否有腫瘤，是否已經轉移？目前來看，生物科學家和醫生們不得不篩選並分析大量數據，才能回答這些問題。
成像技術可以對生物體內部進行詳細的觀察，但是分析這些數據非常耗時，需要大量的經驗與人力。
而人工神經網絡的開發為此開闢了新的可能：近日，慕尼黑工業大學（TUM）的一個跨學科研究團隊開發了一種神經網絡自學習算法，可以幫助人們對生物科學圖像數據進行分析，大大提高分析效率以及準確度。
這項工作近期發表於《自然通訊》雜誌，題為「Deep learning-enabled multi-organ segmentation in whole-body mouse scans」。
該項目名為AIMOS，意思是基於AI的小鼠器官分割（AI-based Mouse Organ Segmentation）。AIMOS軟體的核心是人工神經網絡，它與人腦一樣，具有學習能力。
AIMOS是一種全自動的、端到端的深度學習管道，可在3D掃描圖像中以不同的成像方式分割小鼠的多個器官
該研究的第一作者，Oliver Schoppe解釋說：「三維成像的分析過程非常複雜，過去你必須告訴電腦程式你想讓它們做什麼，而神經網絡不需要這樣的指令：通過多次提出問題並給出解決方案來訓練它們就足夠了。漸漸地，算法就可以識別相關的模式，並能夠自動找出正確的解決方案。」
在AIMOS項目中，研究人員藉助小鼠圖像對算法進行了訓練。目的是將3-D全身掃描圖像與特定器官進行配對，例如胃、腎臟、肝臟、脾臟或大腦。根據配對情況，程序就可以顯示出各器官的精確位置和形狀。
分割效果的定性結果
Schoppe回憶說：「我們很幸運能夠獲得來自不同研究項目的數百隻小鼠的圖像，所有這些圖像都已經由兩位生物學家進行了解析。」 該團隊還從Helmholtz Zentrum München組織工程與再生醫學研究所獲得了螢光顯微3-D掃描技術。
通過一種特殊的技術，研究人員將死亡小鼠進行完全脫色。透明體可以用顯微鏡進行逐層成像。各測量點之間的距離只有6微米，相當於一個細胞的大小。同時，生物學家也根據這些數據集中定位了器官。
在TUM轉化中心，信息技術人員將數據導入給他們的新算法。該算法的學習速度比預期的要快，研究人員表示：「我們只需要大約10次全身掃描，軟體就能在幾秒鐘內成功地分析圖像數據。對於人工，完成這樣的分析大約需要一個小時的時間。」
隨後，研究小組通過對小鼠進行200次全身掃描，檢查了人工智慧的可靠性。慕尼黑工業大學的Bjoern Menze教授總結道：「研究結果表明，自學習算法不僅在分析生物圖像數據方面比人類更快，而且更精確。」
分割效果的定量結果
該智能軟體將在未來特別是在基礎研究中具有廣泛的應用前景：「小鼠的圖像對於生物醫學領域許多應用前景具有巨大潛力，未來使用自學習算法分析圖像數據將節省大量時間。」
AIMOS可以應用於其他成像模式
參考資料：
【1】https://medicalxpress.com/news/2020-12-self-learning-algorithms-medical-imaging.html
【2】https://www.nature.com/articles/s41467-020-19449-7
張江集團與上海市公共衛生臨床中心總體合作籤約儀式在張江舉辦