细胞计数在研究、医学甚至环境监测中都极为重要，科学家们用它来跟踪细胞生长、人的健康，或监测海洋中的浮游生物水平或水源中的细菌。
但是，使用过血细胞仪的科学家可能会告诉你，准确确定细胞数量是多么具有挑战性。血细胞仪是一种专门用于手动细胞计数的实验室设备。这是因为血细胞仪由一个带有矩形压痕的厚载玻片组成，该压痕形成了一个计数室。这些计数室被划分为已知尺寸的网格或正方形，以便进行准确的细胞计数和密度计算。准确计算出这些微小空间中的细胞数量可能是一个相当大的挑战。
莱斯特大学计算与数学科学学院教授张煜东在一封电子邮件中解释道：“手动细胞计数是一项乏味的任务。”。“它要求操作员在显微镜下对计数板的小格子中的细胞进行计数。计数板上的格子被分成很小的部分，很容易出现计数错误。此外，长时间执行这种要求集中注意力的任务也可能影响操作员的身体健康。”
因此，张想知道，在这个人工智能和自动化的时代，是否可以采取更多措施来减轻手动计数方法的负担，因为手动计数方法往往耗时、劳动密集，而且容易出现人为错误。
该研究的合著者邓力嘉说：“去年，在辅导我表弟的高中作业时，我遇到了一个关于使用血细胞计数板计数细胞的问题”，“这让我很好奇是否有人工智能技术可用于此目的。在进行了一点研究后，我发现有机会改进现有的细胞计数方法。”
与来自同一所大学的同事王水花和周清华一起，该团队开始创新了一种由人工智能驱动的自动检测方法用来减轻人工劳动负担。
自动化细胞计数方法并非完全不存在于这些领域。张煜东解释道：“然而，主流仪器是基于库尔特原理的，库尔特原理是检测和测量悬浮在导电液体中的颗粒或细胞产生的电阻变化。”。“这些仪器不提供视觉反馈，细胞形态通常反映重要信息，例如癌症细胞与正常细胞之间的差异。”
在最近发表在《高级智能系统》上的一项研究中，该团队推出了一个性的深度学习网络，他们称之为基于空间的超分辨率重建网络（SSRNet）。张煜东表示：“这个网络可以非常精确地预测细胞数量和分割细胞分布轮廓。”
使用这种方法，将细胞样本捕获为图像，然后对其进行处理，以增强细胞相对于图像背景的清晰度。然后将图像输入AI计数系统，该系统生成图像中的细胞计数和分布。
张煜东说：“这种基于人工智能的方法只需一张图像就可以快速预测细胞的数量和分布。”。“这种方法的原理在于卷积神经网络专注于细胞特征，能够预测细胞计数和分布。”
传统上，人工智能使用人工神经网络——受人脑结构和功能启发的计算模型——来执行任务并从遇到的情况中学习。“训练任何神经网络模型都需要丰富的数据集，”张补充道。“在细胞成像领域，缺乏足够的、有注释的数据集。”
因此，该团队采取了一种不同的方法来克服缺乏训练模型所需的数据的问题，而是使用它来预测总体数量和分布区域，以完成细胞计数的任务。
他们利用了一种名为可自主学习的上采样的概念来实现这一点，上采样是一种用于提高数字数据分辨率或采样率的技术。它包括提取现有的数字样本，并在它们之间添加额外的样本，以创建原始数据的更高分辨率版本。
邓力嘉解释说：“传统的方法是使用纯粹的数学方法，通过数学计算引入新的像素值。”。“虽然这些新像素使图像看起来更清晰，但它们会影响数量的预测。我们的方法使用人工智能来预测新像素，减少了机械计算造成的潜在系统误差，提高了计数精度，也实现了传统方法在清晰度方面的性能。”
“这就像发酵后擀面团一样——我们的方法不会凭空引入新的像素；每个新的像素都是从原来存在的像素推断出来的。“与纯数学方法相比，我们的方法确保了放大图像和原始图像在特征方面更好的一致性。此外，缩放倍率越大，优势就越明显。”
此外，还要确保他们的人工智能系统可以在任何地方使用，即使是在计算资源有限的地区。“为了帮助普及我们的人工智能模型，并将其提供给可能缺乏先进计算资源的实验室，我们使我们的神经网络模型非常轻量级，因此其运行内存读写消耗仅为传统人工智能模型的1/10。”
他们的人工智能模型的创新功能将使其能够在医学和生物学之外找到应用，有望在各个行业释放新的可能性。邓解释说：“例如，我们可以使用航空摄影远程捕捉企鹅的繁殖种群，以了解它们的种群规模，从而避免人类靠近而对它们造成干扰。”
张说：“这种方法代表着细胞计数领域的一次重大飞跃。”。“通过利用人工智能和创新的基于空间的超分辨率重建技术，这种方法在预测细胞数量和分布方面提供了前所未有的精度和效率，有助于对抗传染病。”
凭借其潜力，这一进步有望简化流程，减少人为错误。随着研究的继续，这种人工智能驱动的方法的进一步改进和应用有望重塑细胞分析的格局，最终造福无数个人，促进科学进步。
Wiley旗下智能系统领域开放获取旗舰刊。期刊收录关于具有刺激或指令响应智能的人造装置系统的研究，包括机器人、自动化、人工智能、机器学习、人机交互、智能传感和程序化自组装等前沿应用