联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
深度学习改动生物学剖析图像方式
深度学习改动生物学剖析图像方式
人们常说眼睛是心灵的窗户,但是谷歌的研讨人员把它们视作人们安康的指示器。谷歌正借助深度学习技术,经过分析人们的视网膜图像预测一个人的血压、年龄和吸烟状态。谷歌的计算机能够从血管的排布中获取线索,而且之前的一项研讨标明计算机能够借助这种信息预测一个人近期能否会有心脏病发作的风险。
这些研讨依托的是一种卷积神经网络,这是一种能够改动生物学家分析图像方式的深度学习算法。科学家们正借助这种方法寻觅基因中的突变,并且预测单细胞排列的变化。谷歌带来了新一轮的深度学习应用,能够让图像处置变得更简单而且更通用,以致能够识别以前被忽视的生物学现象。
美国加州山景城谷歌研讨所的工程学担任人Philip Nelson称:“以前将机器学习应用到生物学的许多范畴是不真实际的想法。往常你就能够做到,而且愈加令人激动的是,计算机往常能够观察到许多人类或许从未见过的细节。”
卷积神经网络能够让计算机高效而且完好的处置图像,而且不需求再对图像中止合成。这种方法最早是在2012年呈如今技术范畴,比如说Facebook借助这种深度学习技术识别照片上的面孔。但是科学家们不时难以把这种方法应用到生物学范畴,部分缘由源于两个范畴之间的文化差异。
旧金山生物学公司Calico的首席计算机官员Daphne Koller称:“这就像你把一群生物学家送入到一个计算机科学家团队所在的房间,他们将彼此用不同的言语谈论,而且会产生不同的思想方式。”
科学家们也必需肯定借助卷积神经网络能够中止哪种类型的研讨。当谷歌想要用深度学习寻觅基因中的突变时,谷歌科学家必需将DNA字母链转变成计算机能够识别的图像。随后他们需求借助参照基因对神经网络中止锻炼,这样才干发现突变。12月问世的DeepVariant工具就能够在DNA序列中发现微小的变化。在测试中,DeepVariant的表现至少赶得上传统的工具。
西雅图艾伦细胞科学研讨所的细胞生物学家正运用卷积神经网络,将光学显微镜拍摄的单调灰白照片转换成3D图像,而且让部分细胞用具有了颜色标签。这种方法消弭了细胞染色的流程,细胞染色耗时较多且需求在精密实验室中中止,而且会给细胞带来损伤。上个月,该团队发布了一项先进技术,只借助部分数据就能够预测细胞其他部分的外形和位置。
麻省理工学院布罗德研讨所和哈佛大学影像平台的担任人Anne Carpenter称:“你往常所看是一种史无前例的变化,机器学习能够借助图像完成生物学任务。”在2015年她的跨学科团队开端借助卷积神经网络处置细胞图像。往常Carpenter称,在她的研讨中心大约有15%的图像数据借助了卷积神经网络。她预测,几年后这种方法将成为研讨中心主要的图像处置方法。
愈加令人激动的是,借助卷积神经网络分析图像能够在无意中揭开巧妙的生物学现象,让生物学家开端思索之前忽视的问题。艾力研讨所的执行董事Rick Horwitz称,这样的偶然发现能够辅佐医学研讨不时进步。假设深度学习能够揭开癌症在单体细胞中的巧妙标识,那么它就可能辅佐研讨人员提早识别肿瘤。
其他生物学中的机器学习专家曾经目的放在更前沿的范畴,往常卷积神经网络曾经开端普遍应用于图像处置。德国环境安康研讨中心的计算机生物学家Alex Wolf称:“图像是非常重要的,但是化学和分子数据同样重要。我以为未来数年内将完成一项严重的突破,让生物学家更普遍的应用卷积神经网络。”(过客)
这些研讨依托的是一种卷积神经网络,这是一种能够改动生物学家分析图像方式的深度学习算法。科学家们正借助这种方法寻觅基因中的突变,并且预测单细胞排列的变化。谷歌带来了新一轮的深度学习应用,能够让图像处置变得更简单而且更通用,以致能够识别以前被忽视的生物学现象。
美国加州山景城谷歌研讨所的工程学担任人Philip Nelson称:“以前将机器学习应用到生物学的许多范畴是不真实际的想法。往常你就能够做到,而且愈加令人激动的是,计算机往常能够观察到许多人类或许从未见过的细节。”
卷积神经网络能够让计算机高效而且完好的处置图像,而且不需求再对图像中止合成。这种方法最早是在2012年呈如今技术范畴,比如说Facebook借助这种深度学习技术识别照片上的面孔。但是科学家们不时难以把这种方法应用到生物学范畴,部分缘由源于两个范畴之间的文化差异。
旧金山生物学公司Calico的首席计算机官员Daphne Koller称:“这就像你把一群生物学家送入到一个计算机科学家团队所在的房间,他们将彼此用不同的言语谈论,而且会产生不同的思想方式。”
科学家们也必需肯定借助卷积神经网络能够中止哪种类型的研讨。当谷歌想要用深度学习寻觅基因中的突变时,谷歌科学家必需将DNA字母链转变成计算机能够识别的图像。随后他们需求借助参照基因对神经网络中止锻炼,这样才干发现突变。12月问世的DeepVariant工具就能够在DNA序列中发现微小的变化。在测试中,DeepVariant的表现至少赶得上传统的工具。
西雅图艾伦细胞科学研讨所的细胞生物学家正运用卷积神经网络,将光学显微镜拍摄的单调灰白照片转换成3D图像,而且让部分细胞用具有了颜色标签。这种方法消弭了细胞染色的流程,细胞染色耗时较多且需求在精密实验室中中止,而且会给细胞带来损伤。上个月,该团队发布了一项先进技术,只借助部分数据就能够预测细胞其他部分的外形和位置。
麻省理工学院布罗德研讨所和哈佛大学影像平台的担任人Anne Carpenter称:“你往常所看是一种史无前例的变化,机器学习能够借助图像完成生物学任务。”在2015年她的跨学科团队开端借助卷积神经网络处置细胞图像。往常Carpenter称,在她的研讨中心大约有15%的图像数据借助了卷积神经网络。她预测,几年后这种方法将成为研讨中心主要的图像处置方法。
愈加令人激动的是,借助卷积神经网络分析图像能够在无意中揭开巧妙的生物学现象,让生物学家开端思索之前忽视的问题。艾力研讨所的执行董事Rick Horwitz称,这样的偶然发现能够辅佐医学研讨不时进步。假设深度学习能够揭开癌症在单体细胞中的巧妙标识,那么它就可能辅佐研讨人员提早识别肿瘤。
其他生物学中的机器学习专家曾经目的放在更前沿的范畴,往常卷积神经网络曾经开端普遍应用于图像处置。德国环境安康研讨中心的计算机生物学家Alex Wolf称:“图像是非常重要的,但是化学和分子数据同样重要。我以为未来数年内将完成一项严重的突破,让生物学家更普遍的应用卷积神经网络。”(过客)