根据美国癌症协会的说法，每年有800多万人死于癌症．早期发现可以提高生存率。研究人员和临床医生正在狂热地探索提供早期和准确诊断的途径，以及更有针对性的治疗。

血液筛查用于检测多种类型的癌症，包括肝癌、卵巢癌、结肠癌和肺癌。目前的血液筛查方法通常依赖于将生化标签粘贴到细胞或生物分子上。这些标签优先附着在癌细胞上，使仪器能够检测和识别它们。但这些生物化学物质也会破坏细胞，使它们不适合进一步分析。

理想的方法是不需要标签，但是没有标签，你怎么能得到一个准确的信号或任何信号呢?

结合显微镜和深度学习到diagnose癌症

为了解决这个问题，研究人员正在开发使用无标签技术的新方法，根据物理特征分析未改变的血液样本。无标签细胞分析也面临局限性:由于需要强烈的光照，该方法可能会损伤细胞。无标签细胞分析也可能非常不准确，因为它通常依赖于单一的物理属性。新的研究旨在提高准确性，同时最大限度地减少对细胞的损害。

在最近一期的自然科学报告，一个多学科团队加州大学洛杉矶分校的研究人员结合了一种新形式的显微镜光子时间拉伸成像通过深度学习。有了这项强大的新技术，他们能够每秒捕捉3600万视频帧。(将这一速度与人类视觉进行比较:理论上，我们每秒可以处理1000帧独立的图像，但我们的大脑以超过150帧/秒的速度将图像模糊成运动。大多数电视和电影都是24帧/秒。)然后他们用这些图像来检测癌细胞。

．

加州大学洛杉矶分校的团队:一个多学科的方法

该团队的策略是通过将三个关键组件开发和集成到一个系统中，设计一种新的、准确的无标签方法:定量相位成像、光子时间拉伸和由大成像数据分析实现的深度学习。这三个组件都是用MATLAB开发的。

这项研究由瓦贾拉里加州大学洛杉矶分校教授、诺斯罗普-格鲁曼电气工程光电子学教授;陈力帆他是加州大学洛杉矶分校的博士生;而且Ata Mahjoubfar他是加州大学洛杉矶分校的博士后。

第一部分:定量相位成像

该显微镜使用彩虹激光脉冲，其中不同颜色的光瞄准不同的位置，从而产生空间到光谱编码。每次脉冲持续时间不到十亿分之一秒。超短激光脉冲冻结细胞的运动，提供清晰的图像。不同波长(颜色)的光子携带着关于细胞的不同信息。

当光子穿过细胞时，关于细胞蛋白质浓度和生物量的空间分布信息被编码在不同波长的激光脉冲的相位和振幅中。这些信息随后在大数据分析管道中被解码，并被人工智能算法用于准确识别癌细胞，而不需要任何生物标志物。

显微镜也使用低照度和post-amplification．这解决了无标签细胞分析中的常见问题，即用于捕捉图像的照明会破坏细胞。

陈力帆说:“在我们的系统中，视野内的平均功率为几毫瓦，这对电池来说是非常安全的。”“但是，在穿过细胞后，我们将信号在光子时间范围内放大约30倍。”

特殊设计的光学器件提高了这台显微镜的图像清晰度。根据生物医学实验中对分辨率的要求，研究人员使用MATLAB对显微镜进行了设计。在MATLAB中设计了图像重建和相位恢复，以便进一步进行下游分析。

第二部分:放大时间拉伸系统

光子时间拉伸，是贾拉里教授发明的，转换光信号并使图像变慢以便显微镜能捕捉到它们。这台显微镜每秒能成像10万个细胞。这些图像以每秒3600万张图像的速度数字化，相当于每秒500亿像素。

光子通过一根长而特殊的光纤，在激光脉冲之间的时间到达传感器。MATLAB确定了该色散补偿光纤的参数。

Ata mahjoufar说:“该系统为脉冲内的像素增加了不同的延迟，并将它们一个接一个地连续输入光电探测器。”

加州大学洛杉矶分校Jalali实验室提供了一种将相位拉伸变换(PST)作为图像特征检测工具的物理软件实现下载从MathWorks文件交换。代码使用图像处理工具箱．

PST代码也可在Github:自今年5月以来，该视频已被下载或观看约2.7万次。在写这篇文章的时候，它在当前的MATLAB库中拥有第三高的星级。

第3部分:使用深度学习的大数据分析

一旦显微镜捕捉到图像，该团队就使用领域专业知识提取细胞的16种生物物理特征，如大小和密度。记录这些特征就像记录每个细胞的指纹。该方法生成一个高维数据集，用于训练机器学习应用程序识别癌细胞。

有数百万张图像需要分析，研究小组转向机器学习解决多元问题。使用MATLAB，作者实现并比较了多种机器学习方法的准确性，范围从朴素贝叶斯而且金宝app支持向量机,深度神经网络(DNN)．

提供最佳性能的方法是自定义DNN实现，在训练期间使ROC曲线下面积(AUC)最大化。AUC是根据整个数据集计算的，具有固有的高准确性和可重复性。dnn在这个具有挑战性的问题上的成功源于它们学习输入和输出之间复杂非线性关系的能力。

在比较各种分类算法的性能时，DNN AUC分类器的准确率为95.5%，而简单朴素贝叶斯分类器的准确率为88.7%。对于像癌细胞分类这样的应用程序，其阳性或阴性诊断的影响是如此之高，准确性的提高极大地影响了方法的可用性。

提供的图像越多，训练系统就越准确。该团队用数百万张直线图像训练了机器学习模型，并使用并行处理来加速数据分析。使用高性能计算(HPC)，图像处理和深度学习可以通过在线学习配置实时进行。

创新的语言

该团队不满足于简单地开发一种新的显微镜技术，他们利用这种增强显微镜比现有技术更准确、更短的时间检测癌细胞。他们还能够确定哪种藻类能提供最多的脂质，以供后续提炼生物燃料．是的，这是一种同时处理生物燃料和癌症的方法。

创新离不开创造力、灵感和奉献精神。拥有一个跨学科的团队也有帮助:这项工作是计算机科学家、电气工程师、生物工程师、化学家和医生合作的结果。

“当我们开发人工智能显微镜时，我们跨越了科学领域的边界，并将生物、光学、电子和数据分析系统相互关联地建模。MATLAB是一种很好的原型设计语言，并为这一过程提供了凝聚力，”Ata mahjoufar说。

而且，正如这些研究人员在他们的出版物中雄辩地证明的那样，拥有一种单一的创新语言可以促进科学和工程各个学科之间的合作和加速创新。

你可以找到这个和其他有用的社区开发的显微镜工具在这里。

有关这项研究的更多信息，请阅读这篇文章由加州大学洛杉矶分校的研究人员撰写．