24、药物发现中的图像分析：人工智能的应用与挑战

药物发现中的图像分析：人工智能的应用与挑战

1. 机器学习在图像分析中的应用与挑战

在药物发现领域，成像技术常被用于获取比简单生物测定终点更复杂的信息。机器学习直接从图像中提取相关信息的方法颇具吸引力，尤其适用于高通量筛选，因为该过程会筛选大量化合物，且板载对照能提供足够的训练数据。

然而，这一方法也面临诸多挑战：
- 图像尺寸问题 ：典型的显微镜图像比 ImageNet 数据集中的图像大得多，这对图像分类方法提出了更高要求。通常会选择处理图像的较小区域，如将图像分割成网格或围绕图像中的对象（通常是细胞）进行处理，然后逐细胞或逐块进行分类，必要时再进行平均。
- 可解释性挑战 ：在生物学背景下，全图像分类的一个关键挑战是可解释性。对于端到端模型，需要理解结果是如何以及为何得到的。除了逆向工程方法来解构单个像素如何影响决策外，越来越多的模型架构从一开始就设计为具有可解释性。虽然模型性能和可解释性之间存在权衡，但在药物发现应用中，这是必要的妥协。

1.1 使用深度学习进行图像分析的局限性和障碍

使用深度学习进行病理学分析存在一些初始障碍：
- 设置成本 ：端到端解决方案需要用于数字化载玻片的硬件以及存储它们的相关 IT 基础设施。虽然有免费的深度学习软件可用于图像分析，但大多数供应商是商业性的，会对软件和深度学习模块收费。深度学习软件需要访问 GPU 来运行构建模型的迭代过程，这可能涉及本地或基于云的设置成本。
- 专业技能 ：需要投入精力培养或招聘具备构建模型技能和专业