Глубокое обучение: сверхчеловеческий способ изучения клеток

Исследование показало, что компьютеры могут видеть детали на микроскопических изображениях клеток без использования инвазивных химических методов, которые часто убивают изучаемые клетки. Изображения содержат гораздо больше информации, чем считалось ранее, и искусственный интеллект может извлекать эти данные.

Стивен Финкбейнер из Институтов Глэдстоун совместно с инженерами Google применил метод глубокого обучения — тип машинного обучения, где алгоритмы анализируют данные, распознают закономерности и делают прогнозы. Работа опубликована в журнале Cell.

«Глубокое обучение фундаментально изменит способ ведения биомедицинской науки в будущем», — сказал Финкбейнер.

Биология встречает искусственный интеллект

Команда Финкбейнера почти 10 лет назад создала полностью автоматизированный роботизированный микроскоп, отслеживающий отдельные клетки месяцами и генерирующий 3-5 терабайт данных в день. Огромный объём и сложность данных привели к сотрудничеству с Google, лидером в области искусственных нейронных сетей.

Сеть, обученная на сверхчеловеческую точность

Учёные разработали новый подход «in silico labeling» (компьютерная маркировка). Нейронную сеть обучали на миллионах пар изображений одних и тех же клеток: без меток и с флуоресцентными метками. После обучения сеть могла точно предсказать расположение меток на никогда не виденных ранее немаркированных изображениях.

• Сеть определяла, жива клетка или мертва, с точностью 98% (человек — с точностью ~80%).
• Она могла найти одну мёртвую клетку среди массы живых.
• Сеть научилась точно предсказывать местоположение ядра клетки.
• Модель различает типы клеток (например, нейроны) и даже идентифицирует их части — аксоны и дендриты.

«Чем больше модель выучила, тем меньше данных ей нужно для изучения новой схожей задачи», — отметил Филип Нельсон из Google.

Глубокое обучение может трансформировать биомедицинскую науку

Потенциал применения в биологии огромен. В лаборатории Финкбейнера этот инструмент используют для поиска способов диагностики и лечения нейродегенеративных заболеваний (болезни Альцгеймера, Паркинсона, БАС).

Глубокое обучение могло бы помочь классифицировать заболевания по типам, что критически важно для разработки лекарств и проведения клинических испытаний. Комбинируя данные индуцированных плюрипотентных стволовых клеток пациентов с их клинической информацией, сеть могла бы находить взаимосвязи и подбирать соответствующую терапию для подгрупп пациентов.

«Я обнаружил, что в изображениях шокирующе больше информации, чем может постичь человек», — заключил Финкбейнер.