23、药物发现中的图像分析：机器学习与深度学习的应用

药物发现中的图像分析：机器学习与深度学习的应用

1. 机器学习在图像分析中的优势

在图像分析领域，不同模态的图像分析是一个充满潜力的方向，它有可能改变药物发现和开发过程中的实验类型。机器学习在通用性方面，可能比经典分割方法表现更出色。以常规安全测定中的球体图像为例，由于这些复杂样本的自然异质性以及所应用的处理和扰动范围不同，图像具有高度可变性。要找到一种能够正确处理所有外观情况的经典算法是一项挑战，而机器学习模型只要在训练数据中涵盖所有行为，并且具备足够的学习能力，就能解决这个问题。

2. 数字病理学中的区域分割

2.1 数字病理学的发展历程

最初，数字病理学只能对图像进行简单测量和基本手动注释，并返回强度和形状值。后来，通过将像素值作为二维数组数据进行计算分析，实现了突破。在许多情况下，无需对全切片图像中的单个细胞进行识别、分割和分类，就能进行测量和诊断。通过识别组织中正常、患病或其他病理表型的区域，并量化这些区域的面积和形状，计算方法可以开始复制和自动化病理学家的工作。

2.2 早期软件及存在的问题

市场上出现了一些软件，如 Definiens Developer 软件，可用于基于组织和细胞的图像分析，首次从切片中生成定量数据。但这种方法需要用户定义所有分类特征，耗时且基于规则的方法缺乏灵活性。随着编程复杂度的增加，虽然增加了对一些标准特征（如细胞核、液泡、血管和细胞）的自动识别以改善工作流程，但仍存在不足。

2.3 RF 机器学习技术

RF 机器学习技术用于组织分类，与基于规则的方法不同，它能快速从训练区域自动提取特征，且计算要求不高，大多数计算机甚至笔记本电