根据美国癌症协会，每年有800多万人死于癌症. 早期发现可以提高存活率。研究人员和临床医生正在积极探索提供早期和准确诊断以及更具针对性治疗的途径。

血液筛查用于检测多种癌症，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在细胞或生物分子上贴上生化标签。标签优先贴在癌细胞上，使仪器能够检测和识别癌细胞。但这些生化物质也会损伤细胞，使其不适合进一步分析。

理想的方法不需要标签……但如果没有标签，你怎么能得到准确的信号或任何信号？

结合显微镜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，即根据其物理特征对未改变的血液样本进行分析。无标记细胞分析也面临着局限性:由于需要强烈的光照，该方法可能会损伤细胞。无标记细胞分析也可能是高度不准确的，因为它往往依赖于一个单一的物理属性。新的研究旨在提高准确性，同时尽量减少对细胞的损害。

在最近一期的自然科学报告，一个多学科的团队加州大学洛杉矶分校的研究人员结合了一种称为光子时间拉伸成像深度学习。有了这项强大的新技术，他们能够每秒捕捉3600万帧视频。(将这个速度与人类的视觉进行比较: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。大多数电视和电影是每秒24帧的。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:多学科的方法

该团队的战略是通过开发并将三个关键组件集成到一个系统中，设计出一种新的、准确的无标签方法：定量相位成像、光子时间拉伸和通过大成像数据分析实现的深度学习。所有三个组件都是使用MATLAB开发的。

这项研究是由巴拉姆·贾拉里加州大学洛杉矶分校教授，诺斯罗普-格鲁曼光电电气工程教授;克莱尔力帆陈，加州大学洛杉矶分校博士生；和阿塔·马霍布法尔他是加州大学洛杉矶分校的博士后研究员。

第1部分：定量相位成像

这种显微镜使用激光的彩虹脉冲，不同颜色的光针对不同的位置，从而产生空间到光谱的编码。每次脉冲持续时间不到十亿分之一秒。超短的激光脉冲冻结了细胞的运动，产生了清晰的图像。不同波长(颜色)的光子携带关于细胞的不同信息片段。

当光子穿过细胞时，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解码，并由人工智能算法用于无需任何生物标记物即可准确识别癌细胞。

该显微镜还使用低照度和高亮度post-amplification. 这解决了无标签细胞分析中的常见问题，即用于捕获图像的照明会破坏细胞。

“在我们的系统中，视野范围内的平均功率是几毫瓦，这对电池来说是非常安全的，”Claire Lifan Chen说。“但是，在通过这些细胞后，我们在光子时间范围内将信号放大约30倍。”

特别设计的光学装置提高了这台显微镜的成像清晰度。研究人员在生物医学实验中根据分辨率要求，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，便于后续分析。

第2部分：放大时间拉伸系统

光子时间延展，由贾拉里教授发明，转换光信号并减慢图像的速度，以便显微镜能够捕捉到它们。显微镜每秒可以成像100000个细胞。图像以每秒3600万图像的速度数字化，相当于每秒500亿像素。

光子穿过一根长长的专用光纤，在激光脉冲之间到达传感器。MATLAB用来确定色散补偿光纤的参数。

“该系统在一个脉冲内为像素添加不同的延迟，并将它们一个接一个地串行输入光电探测器，”Ata Mahjoubfar说。

作为加州大学洛杉矶分校Jalali实验室的图像特征检测工具，相位拉伸变换(PST)背后的物理原理可以通过软件实现下载从MathWorks文件交换。使用的代码图像处理工具箱．

PST代码也可在github自今年5月以来，该网站已下载或浏览约2.7万次。在发表这篇文章的时候，它在目前的MATLAB库中拥有第三高的星级评级。

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，研究小组利用领域专家提取细胞的16个生物物理特征，如大小和密度。记录这些特征就像记录每个细胞的指纹。该方法生成高维数据集，用于训练识别癌细胞的机器学习应用程序。

有了数百万张需要分析的图像，研究小组开始着手机器学习解决多元问题。利用MATLAB，作者实现并比较了多种机器学习方法的准确性朴素贝叶斯和金宝app支持向量机到深度神经网络(DNN)．

提供最佳表现的方法是自定义DNN实现，在训练期间最大化ROC曲线下面积(AUC)。AUC是基于整个数据集计算的，具有很高的准确性和重复性。dnn对于这个具有挑战性的问题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。

在各种分类算法的性能比较中，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%。对于像癌症细胞分类这样的应用，阳性或阴性诊断的影响是如此之高，准确率的提高极大地影响了方法的可用性。

提供的图像越多，训练系统就会变得越准确。该团队用数以百万计的直线图像训练机器学习模型，并使用并行处理来加快数据分析。使用高性能计算(HPC)，通过在线学习配置，可以容易地实时执行图像处理和深度学习。

创新的语言

不满足于仅仅开发一种新的显微镜技术，该团队利用增强显微镜比现有技术更精确和更短的时间检测癌细胞。他们还能够确定哪些藻类菌株提供了最多的脂质，以供随后的精炼生物燃料. 是的，一种同时解决生物燃料和癌症的方法。

没有创造力、灵感和奉献，创新就不可能实现。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。

Ata Mahjoubfar说：“在我们开发人工智能显微镜的过程中，我们跨越了科学领域的界限，对生物、光学、电学和数据分析系统进行了互联建模。MATLAB是一种伟大的原型语言，为这一过程提供了内聚力。”。

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，拥有一种创新的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。

想了解更多关于这项研究的信息，请阅读这篇文章由加州大学洛杉矶分校的研究人员撰写．