根据美国癌症学会，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积极探索提供早期和准确诊断以及更有针对性的治疗的途径。

血液筛查被用于检测多种癌症，包括肝癌、卵巢癌、结肠癌和肺癌。目前的血液筛选方法主要依赖于在细胞或生物分子上粘贴生化标签。这种标签会优先粘附在癌细胞上，使仪器能够检测和识别它们。但这些生化物质也会破坏细胞，使它们不适合进一步分析。

理想的方法不需要标签，但是没有标签，你怎么能得到准确的信号呢?

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，多学科团队加州大学洛杉矶分校的研究人员结合了一种叫做显微镜的新形式光子time-stretch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。

．

UCLA的团队：多学科方法

该团队的战略是设计一种新的、准确的无标签方法，通过开发和集成三个关键组件到一个系统:定量相位成像、光子时间延伸和通过大成像数据分析实现的深度学习。所有三个组件都是用MATLAB开发的。

这项研究是由瓦贾拉里，UCLA教授和诺斯罗普 - 格鲁姆曼光电子椅在电气工程中;克莱尔力帆陈他是加州大学洛杉矶分校的博士生;和Ata Mahjoubfar，一位UCLA博士后研究员。

第1部分:定量相位成像

显微镜使用激光的彩虹脉冲，其中浅色射击射击不同的位置，导致空间到频谱编码。每个脉冲持续不到十亿分之一。超短激光脉冲冻结细胞的运动，给出不模糊的图像。具有不同波长（颜色）的光子携带有关细胞的不同信息。

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，并由人工智能算法使用，在不需要任何生物标记的情况下准确识别癌细胞。

显微镜也使用低照度和post-amplification．这解决了无标记细胞分析中常见的问题，即用于捕获图像的照明破坏了细胞。

“在我们的系统中，平均力量在视野中是几毫瓦，这对细胞非常安全，”克莱尔利兰陈说。“但是，在通过细胞之后，我们在光子时间伸展中将信号放大大约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。

第二部分:放大时间延伸系统

光子时间伸展，由Jalali教授发明，转换光信号并减慢图像的速度，这样显微镜就可以捕捉到它们。这台显微镜每秒能成像10万个细胞。这些图像以每秒3600万张图像的速度被数字化，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。

Ata Mahjoubfar说:“该系统为脉冲内的像素添加不同的延迟，并将它们逐个连续地输入光电探测器。”

可以为来自UCLA Jalali Lab的图像特征检测工具的相位拉伸变换（PST）后面的物理的软件实现可用于下载从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，研究小组就利用领域专家来提取细胞的16个生物物理特征，如大小和密度。记录这些特性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。

随着数百万图像分析，团队转向了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,深神经网络（DNN）．

提供最佳性能的方法是定制DNN实现，在训练期间最大化了ROC曲线（AUC）下的区域。基于整个数据集计算AUC，提供固有的高精度和可重复性。对于这个具有挑战性问题的DNN的成功来自于他们在输入和输出之间学习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分类器提供了95.5％的精度，而简单的朴素贝叶斯分类器相比为88.7％。对于癌细胞分类等应用，在阳性或负诊断的影响如此高的情况下，这种精度的改善高度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)，图像处理和深度学习可以通过在线学习配置方便地实时执行。

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，这是一种同时解决生物燃料和癌症问题的方法。

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。

“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边界，将生物、光学、电子和数据分析系统进行了互连建模。MATLAB是一种很好的原型设计语言，并为这个过程提供了凝聚力。”Ata Mahjoubfar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。

您可以找到此类和其他有用的社区开发的显微镜工具这里。

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．