人工智能以纳米级精度检测癌症和病毒感染

研究人员开发出了一种人工智能 AINU，它能利用纳米级分辨率图像区分癌细胞和正常细胞，并检测细胞中的早期病毒感染。这将带来更快、更准确的疾病诊断和更好的患者治疗效果。

基因组调控中心（CRG）、巴斯克大学（UPV/EHU）、多诺斯蒂亚国际物理中心（DIPC）和比兹卡亚生物基金会（FBB，位于生物研究所）的研究人员开发出一种人工智能，它能区分癌细胞和正常细胞，还能检测细胞内病毒感染的早期阶段。今天（8月27日）发表在《自然-机器智能》（Nature Machine Intelligence）杂志上的一项研究为改进诊断技术和新的疾病监测策略铺平了道路。

这种名为AINU（AI of theNUcleus）的工具可以扫描细胞的高分辨率图像。这些图像是通过一种名为 STORM 的特殊显微镜技术获得的，这种技术所生成的图像能够捕捉到比普通显微镜所能看到的更多更精细的细节。高清快照显示了纳米级分辨率的结构。

纳米（nm）是一米的十亿分之一，人的一缕头发大约有 10 万纳米宽。人工智能可以检测到细胞内小至 20 纳米的重新排列，比人类头发的宽度小 5000 倍。这些变化过于微小和细微，人类观察者仅靠传统方法是无法发现的。

图像使用两种颜色显示特定的核成分，使研究人员能够以纳米级分辨率看到细胞核内的详细结构。图片来源：钟丽梅

"这些图像的分辨率非常高，足以让我们的人工智能精确地识别出特定的模式和差异，包括细胞内DNA排列方式的变化，帮助我们在发生变化后很快发现它们。"这项研究的共同通讯作者、巴塞罗那基因组调控中心（Centre for Genomic Regulation）研究员皮娅-科斯马（Pia Cosma）说："我们认为，有朝一日，这类信息能为医生监测疾病、个性化治疗和改善患者预后赢得宝贵的时间。"

AINU 是一种卷积神经网络，是一种专门用于分析图像等视觉数据的人工智能。卷积神经网络的例子包括能让用户用脸部解锁智能手机的人工智能工具，或自动驾驶汽车通过识别道路上的物体来理解和导航环境的其他工具。

在医学领域，卷积神经网络被用于分析乳房 X 线照片或 CT 扫描等医学图像，并识别人眼可能忽略的癌症迹象。卷积神经网络还能帮助医生检测核磁共振扫描或 X 光图像中的异常，从而帮助做出更快、更准确的诊断。

AINU 可在分子水平上检测和分析细胞内的微小结构。研究人员向该模型提供了许多不同类型细胞核在不同状态下的纳米级分辨率图像，从而对其进行了训练。通过分析细胞核成分在三维空间中的分布和排列方式，该模型学会了识别细胞中的特定模式。

例如，与正常细胞相比，癌细胞的核结构会发生明显变化，如 DNA 的组织方式或细胞核内酶的分布。经过训练后，AINU 可以分析新的细胞核图像，并仅根据这些特征将其分为癌细胞和正常细胞。

图像的纳米级分辨率使人工智能能够在细胞感染 1 型单纯疱疹病毒一小时后就检测到细胞核的变化。当病毒开始改变细胞核的结构时，该模型就会发现 DNA 排列紧密程度的细微差别，从而检测到病毒的存在。

"我们的方法可以在感染开始后很快检测出受病毒感染的细胞。通常情况下，医生需要一段时间才能发现感染，因为他们依赖的是明显的症状或身体的较大变化。"这项研究的共同通讯作者、UPV/EHU伊克巴斯克研究员、FBB-Biofisika研究所和圣塞巴斯蒂安/多诺斯蒂亚DIPC所属的伊格纳西奥-阿尔甘达-卡雷拉斯（Ignacio Arganda-Carreras）说。

这项研究的共同第一作者、中国广州的广东省人民医院（GDPH）研究员钟丽梅补充说："研究人员可以利用这项技术了解病毒进入人体后如何立即影响细胞，这有助于开发更好的治疗方法和疫苗。"

研究人员必须克服一些重要的限制，才能在临床环境中测试或部署这项技术。例如，STORM 图像只能用通常只能在生物医学研究实验室找到的专业设备拍摄。建立和维护人工智能所需的成像系统需要在设备和专业技术方面投入大量资金。

另一个限制因素是，STORM 成像通常一次只能分析几个细胞。对于诊断而言，尤其是在对速度和效率要求极高的临床环境中，医生需要在单张图像中捕捉更多数量的细胞，才能检测或监测疾病。

"STORM 成像领域取得了许多突飞猛进的进展，这意味着显微镜可能很快就能在较小或不太专业的实验室中使用，最终甚至能在临床中使用。"Cosma博士说："可及性和吞吐量的限制是比我们以前想象的更容易解决的问题，我们希望能尽快开展临床前实验。"

虽然临床获益可能还需要数年时间，但AINU有望在短期内加速科学研究。研究人员发现，这项技术可以非常精确地识别干细胞。干细胞可以发育成体内任何类型的细胞，这种能力被称为多能性。多能细胞被研究用于帮助修复或替代受损组织。

"AINU可以使多能细胞的检测过程更快、更准确，有助于使干细胞疗法更安全、更有效。目前检测高质量干细胞的方法依赖于动物试验。然而，我们的人工智能模型只需要一个用特定标记物染色的样本就能发挥作用，这些标记物能突出关键的核特征。"这项研究的第一作者、CRG研究员达维德-卡内瓦利（Davide Carnevali）说："除了更简单、更快速之外，它还能加速干细胞研究，同时促进减少科学中动物使用的转变。"