深度学习将让图像处理变得简单通用

卷积神经网络能够让计算机高效而且完整的处理图像，而且不需要再对图像进行分解。这种方法最早是在2012年出现在技术领域，比如说Facebook借助这种深度学习技术识别照片上的面孔。但是科学家们一直难以把这种方法应用到生物学领域，部分原因源于两个领域之间的文化差异。

美国加州山景城谷歌研究所的工程学负责人Philip Nelson称：“以前将机器学习应用到生物学的许多领域是不切实际的想法。现在你就能够做到，而且更加令人激动的是，计算机现在能够观察到许多人类或许从未见过的细节。”西雅图艾伦细胞科学研究所的细胞生物学家正使用卷积神经网络，将光学显微镜拍摄的单调灰白照片转换成3D图像，而且让部分细胞器拥有了色彩标签。这种方法消除了细胞染色的流程，细胞染色耗时较多且需要在精密实验室中进行，而且会给细胞带来损伤。上个月，该团队公布了一项先进技术，只借助部分数据就能够预测细胞其他部分的形状和位置。麻省理工学院布罗德研究所和哈佛大学影像平台的负责人Anne Carpenter称：“你现在所看是一种史无前例的变化，机器学习能够借助图像完成生物学任务。”在2015年她的跨学科团队开始借助卷积神经网络处理细胞图像。现在Carpenter称，在她的研究中心大约有15%的图像数据借助了卷积神经网络。她预测，几年后这种方法将成为研究中心主要的图像处理方法。更加令人激动的是，借助卷积神经网络分析图像能够在无意中揭开微妙的生物学现象，让生物学家开始思考之前忽视的问题。艾力研究所的执行董事Rick Horwitz称，这样的偶然发现能够帮助医学研究不断进步。如果深度学习能够揭开癌症在单体细胞中的微妙标识，那么它就可能帮助研究人员提前识别肿瘤。这些研究依靠的是一种卷积神经网络，这是一种能够改变生物学家分析图像方式的深度学习算法。科学家们正借助这种方法寻找基因中的突变，并且预测单细胞排列的变化。谷歌带来了新一轮的深度学习应用，能够让图像处理变得更简单而且更通用，甚至能够识别以前被忽视的生物学现象。