Molecular Devices 提供的是各种级别的使用者都可以轻松的使用 AI 分析，是真正做到人类不用动脑，而让机器动脑的真 AI。
# 人工智能
# AI
人工智能是近几年的一大热词。随着人工智能原理和硬件的迭代，人工智能产品不仅逐步走进千家万户。同时也走进生命科学领域，为科学工作者提供着简便和高效的图像数据分析方法。
AI是让机器模拟人一样的去思考和认识。那么用于细胞图像分析的 IN Carta 的 AI，他的大脑是何构造，是如何思考和认知的呢？
我们先从机器学习这个概念说起。机器学习是一种自动根据数据开展学习，对目标进行分类识别的模型。它是人工智能的核心，是使计算机具有智能的根本途径。其包含线性回归、决策树、支持向量机、贝叶斯分类器、强化学习、概率图模型、聚类以及神经网络（Neural Network）等多种方法。
神经网络（Neural Network）是实现机器学习的一种更高级复杂的方法。它是一种由许多简单元组成的网络结构，这种网络结构类似于生物神经系统，让机器具有模拟生物与自然环境之间的交互方式。
最早的神经网络模型起源于 1943 年的麦卡洛克-皮特斯人工神经元模型，该模型将神经元简化为：输入信号线性加权，求和，非线性激活。但由于算法的缺陷，此 AI 模型后来进入漫长的低谷。至 1986 年 Hinton 发明了适用于多层感知器（MLP）的 BP 算法，有效解决了非线性分类和学习的问题，引起了神经网络的第二次热潮。此时两层神经网络已经能够在图像识别、语音处理和自动驾驶领域有了一定应用。但是由于计算能力的限制和神经网络很小很浅层，此神经网络算法也走入低谷。
随着数值计算设备的更新，以及算法上的改进和优化，神经网络的层数变得越来越多，学习的效果变得也越来越好。在 2006 年提出了深度学习（Deep Learning）的理论，其模型包括如递归神经网络（Recurrent Neural Network，RNN）、卷积神经网络（Convolutional Neural Network，CNN）等
2012 年的 ImageNet 大规模视觉识别竞赛，Hinton 课题组通过其构建的 GPU 计算集群支持的卷积神经网络 AlexNet 一举夺得冠军，且碾压第二名（SVM方法）的分类性能。也正是由于该比赛，CNN 方法吸引到了众多研究者的注意，自那之后，大量公司开始将深度学习用作服务的核心。Facebook 将神经网络用于自动标注算法、谷歌将它用于图片搜索、亚马逊将它用于商品推荐、Pinterest 将它用于个性化主页推送、Instagram 将它用于搜索架构。这种算法不再手动选择相关特征，而是机器自动学习哪些特征有用处。同时增强泛化能力和减小过拟合。
Molecular Device 的 AI，就是基于此理论开发的新的模型“深度卷积神经网络”Deep Convolutional Neural Network（DCNN）。
卷积神经网络是通过卷积计算和具有深度结构的神经网络，将目标所具特征进行综合分类的过程，具有表征学习（representation learning）能力。其结构包含输入层，隐含层和输出层。
在 IN Carta 软件中，信息的输入主要是通过画画的方式将什么是目标，什么是背景告诉机器的。由于 CNN 模型中输入层并不关心目标具体特征是什么，因此用户不需要有图像经验，没有选参数的过程，只需要将目标和背景涂画上即可。Molecular Devices 提供的是各种级别的使用者都可以轻松的使用 AI 分析，是真正做到人类不用动脑，而让机器动脑的真 AI。
目标信号输入后，进入隐含层中进行特征的提取和分类识别。隐含层包含卷积层、池化层和全连接层 3 类常见构筑，更复杂的构筑还包含有 Inception 模块、残差块（residual block）等等。卷积层的功能是对输入数据进行特征提取，其包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量 。工作时，卷积核对输入特征做矩阵元素乘法求和并叠加偏差量。在卷积层进行特征提取后，形成相应的特征图。
特征图会被传递至池化层进行特征选择和信息过滤。然后进入全连接层，全连接层的作用则是对处理的特征进行非线性组合以得到输出，在图像语义分割中，输出层直接输出每个像素的分类结果，形成特定目标识别的方法。通过这样的过程来进行目标的学习和识别，形成了 AI 的大脑。
不同于多个参数集群分类，深度卷积神经网络对目标表征的细致解析和分类，包含目标整体纹理和环境关联性信息。就如下图区分宝宝的手臂和脚，如果单从手和脚个体特征来分类识别，则会难以区分；但是通过图片更多环境信息，如连接在肢体上，在头附近等信息就能够很好的区分开来。在如划痕实验的识别中，周边细胞间隙和纹理信息极少的部分和划痕区域就能够被完美的区分开来。因此，AI 能够提供准确可靠的分析结果。
在目前科学研究急速发展的环境下，高效的数据产出意味着从激烈的竞争环境中脱颖而出，获得成就。如何更高效的获取数据，是每位科学工作者在成功之路上的必备工具。
而对于提供高效数据获取的高内涵分析方法中，最大的挑战是图像的质量情况各异影响通量数据分析中方法的建立。这是由于细胞梯度样本等染色条件不均一，或处理手法差异导致的杂质含量不均，或其他结构与目标形态信号相似等客观条件所致。那么就会在分析过程中难以找到一种适合的方法，同时准确识别强的或低信噪比的目标信号，又能准确与背景和杂质区分开来，统一进行批量的分析。也需要工作者花费时间不断学习和积累图像分析经验。
IN Carta 的 AI 分析功能就是为了解决这些问题而开发，为您提供准确和更高效的数据获取方法。
扩展阅读
你只需要在图像上画出你要的信号和背景，它就可以给你提供简易、省时、高效的图像分析方法，应对情况各异的大量图像分析。
ImageXpress® Confocal HT.ai 智能化共聚焦高内涵成像分析系统采用了具有 8 个成像通道的 7 色激光光源，实现了高扩展性的多通道成像分析，同时通过缩短曝光时间保持高通量。
Cell Painting 是一种基于多重细胞图像的高内涵的细胞学分析方法，近年来，Cell Painting 在众多领域得到了广泛的应用。例如研究特定基因的功能和途径，研究化合物、药物、天然产物等的作用机制等等。
每周五下午 5 点与您相见
好玩的、划算的、有用的、前沿的
帮助您获取生命科学研究及药物研发全方位的解决方案
产品覆盖微孔板检测分析、高通量筛选、
高内涵成像、高效克隆筛选等。
我知道你在看哟
首页
