一年前，我们将TruAI技术（基于深度神经网络的图像分析方法）引入诸如cellSens成像软件和scanR高内涵筛选系统等受到普遍欢迎的生命科学解决方案中。现在，我们非常高兴与您分享在使用人工智能（AI）进行生命科学研究的一年所学到的一些知识。
2020年1月在欧洲分子生物学实验室（EMBL）举办的奥林巴斯scanR深度学习用户研讨会一瞥。
以下为一些人工智能的课程，是研究项目得以成功的关键：
1.如果您可以看到，那么TruAI技术就可以看到。
尽管需要一定的经验才能可靠的判断出哪些分析问题使用TruAI技术能够解决，哪些问题可能需要使用其他工具，但经验法则非常简单。如果研究人员可以发现图像中某些感兴趣的部分，那么TruAI技术也可以发现它。
这适用于诸如查找所有细胞或细胞核或所有某种类型组织之类的简单任务。对于更高级的任务（如区分不同类别的细胞、细胞状态或组织类型）也是如此。
在最佳条件下，TruAI技术甚至可以通过分割或区分达到人眼检测限的目标而胜出一筹。
专用TruAI分析模型可以处理的各种图像分割任务。
2.简单的成像问题需要简单的解决方案。
TruAI技术相对容易解决的图像分析任务仅需要简单的准备步骤。
比如在使用同一显微镜采集的明场图像中检测有丝分裂细胞就是您可能遇到的简单问题示例。在这种情况下，由于样品制备标准化，因此图像的质量变化不大。
也可考虑下面这个例子：大多数具有清晰可见特征的荧光图像均需要对多个图像进行简单的手动标记（即，多个视场）。这些足够多的示例可以让TruAI技术用以训练可立即应用于所有新图像的良好分析模型。
Olympus’ AI驱动软件简单直观的用户界面有助于对示例图像进行高效率的标记，从而让训练能够快速开始。实际上，在几分钟内就可以为训练建立新的分析。
在快速训练期间，内部优化（如归一化和数据扩充）有助于确保训练对所提供的示例进行优化利用。最终结果就是获得标签工作量很小的强大AI模型。
使用TruAI技术预测有丝分裂细胞（绿色）。
您可以在我们的资源使用基于深度学习的TruAI技术执行准确高效的显微镜图像分析中找到相关应用。
3.具有挑战性的成像问题需要高级解决方案。
微观世界非常复杂，显微镜图像也是如此。来自不同培养阶段、不同的样品来源、不同的样品载体或不同显微镜的图像在图像特征方面可能千变万化。
例如，背景、对比度、融合度、标记和亮度的变化均会给定量分析带来挑战。
那么，怎样才能让TruAI分析对于图像数据中所有这些语境中（real-word ）变化均具备稳健性？答案：在分析模型的训练中包括各种条件的示例。
借助其自学显微镜工具集，我们的AI驱动软件提供了一种可以轻松训练具有出色泛化特性极其强大模型的高效方法。以下为一些示例性应用：
使用TruAI技术预测小鼠肾脏切片上的肾小球位置。
出色的稳健性：即使将明场条件故意设置为最差情形，也能够可靠检测明场中的细胞。
我们也建议您查阅我们近期的应用指南， 使用自学显微镜的scanR TruAI进行无标签迁移分析。
4.数据越多（几乎）总是越好。
TruAI技术使用的基础神经网络学习能力非常强大。也就是说其可以使用大量示例，并且任何添加的数据均会让经过训练后的模型比以前更出色。
因此，如果您使用经过训练的分析模型时遇到问题或局限性，那么对其进行改善的方法几乎总可以归结到一点：为训练提供更多的数据示例。如果所提供的示例由人类专家标记，那么软件会自动扩充数据，从而让每个标记的对象都可以为训练提供多个示例。
自学工作流几乎无需费力就可以将更多样品包括在训练之中，最终将分析模型的灵敏度和特异性提高到以前未有的水平。
显示神经网络训练的示意图。
5.验证是信任的关键。
任何神经网络都是一个黑箱。这意味着我们通过示例进行训练，其就可以通过学习获得出色的分析结果。问题在于我们无法准确知道网络使用哪些信息提供结果。
科学媒体和文献中的一个众所周知的事实是，如果盲目相信结果，这种不确定性就可能导致意想不到的结果。
在任何AI分析中确立信任的关键在于验证。当在诸如查找图像中所有细胞的简单应用中出现分割错误时就会变得显而易见，而在先进自动化分析中，答案可能更为微妙。
为此，我们创建了一个全面的工具集用于验证经过训练的TruAI模型。在训练期间，数据拆分有助于确保自动针对干净数据（即未用于训练自身的数据）测试结果的质量。
对于高度可信的分析而言，更重要的是对各种测试数据进行独立的测试和验证。所提供的工具可支持轻松高效地对预测置信度进行有效的深入分析，并支持对大型数据集进行假阳性/假阴性分析。
在各种超低光照水平下对TruAI DNA染色细胞周期分析的验证清晰展示了置信限。
