“这种方法有可能彻底改变生物医学研究，”NINDS项目主任Margaret Sutherland博士说。“研究人员现在正在生成大量的数据。对于神经科学家来说，这意味着训练机器来帮助分析这些信息可以帮助我们加快对大脑细胞如何组合在一起以及与药物开发相关的应用的理解。”

一盘或培养的神经元细胞在肉眼看来是一致的，而其中不同的单个细胞是看不见的。自从19世纪末神经科学家先驱圣地亚哥·拉蒙·卡哈尔和卡米洛·高尔基绘制出最早的神经系统图谱以来，科学家们一直在开发染料和染色方法，以帮助区分大脑的结构，包括不同类型的细胞及其健康状态。然而，这些方法中有许多涉及刺激性化学物质，这些化学物质会在非自然状态下固定或冻结细胞，或者在多次染色后损坏活细胞。传统技术也限制了科学家可以观察到的细节。

Steven Finkbeiner，医学博士，旧金山格拉德斯通研究所的主任和高级研究员，加州大学旧金山分校的神经学和生理学教授，领导的一个团队，探索了计算机是否可以被训练来识别未染色细胞的结构。

“我们的实验室每天都要创建数百张图像，远远超过我们自己可以查看和分析的数量。“有一天，谷歌的几个研究人员来敲我们的门，看看他们是否能帮助我们，”该研究的资深作者芬克贝纳博士说。

研究人员使用了一种名为深度学习的方法，该方法依赖于机器学习的原理，机器学习是一种人工智能，机器可以从数据中学习并做出决策。爱博网投官方网站面部识别软件是机器学习的一个例子。

芬克贝纳博士的团队利用深度学习技术，训练了一个计算机程序，通过显示染色和未染色的图像来分析脑细胞。然后，为了测试程序是否学到了什么，研究人员用新的未标记的图像挑战它。

在第一轮训练之后，该程序通过学习识别细胞核来确定细胞在培养皿中的位置。细胞核是一个圆形结构，包含遗传信息，是细胞的指挥中心。在进一步的实验中，芬克贝纳博士的团队增加了该程序寻找的特征的复杂性，并成功地训练它区分死细胞和活细胞，以及识别特定类型的脑细胞。此外，该程序还学会了区分轴突和树突，这是神经元上的两种特定类型的延伸。根据结果，该程序成功地预测了未标记组织的结构。

“深度学习采用一种算法或一套规则，并将其分层构建，从图像的部分识别简单特征，然后将信息传递给识别日益复杂特征(如模式和结构)的其他层。这让人想起我们的大脑是如何处理视觉信息的，”芬克贝纳博士说。“深度学习方法能够发现比人眼所能看到的更多信息。”

芬克贝纳博士和他的团队指出，使用这种技术的主要缺点是训练数据集需要非常大，理想情况下大约有15,000张图像。此外，可能存在过度训练程序的风险，它们变得如此专业化，以至于只能识别特定图像集或以特定方式生成的图像中的结构，而不能对更一般的图像进行预测，这可能会限制这项技术的使用。

芬克拜纳博士和他的同事计划将这些方法应用于以疾病为重点的研究。

“现在我们证明了这项技术是有效的，我们可以开始在疾病研究中使用它。深度学习可能会在细胞中发现一些有助于预测临床结果的东西，并帮助我们筛选潜在的治疗方法，”芬克贝纳博士说。

需要更多的研究来改进这项技术并使其更广泛地使用。