一个新的领域有望开启一个新时代，使用机器学习和计算机视觉来解决有关全球生物体生物学的小型和大规模问题。

图像组学领域旨在通过将生物体图像与计算机分析和发现相结合，帮助探索地球上生物过程的基本问题。

Chao Wei-Lun是俄亥俄州立大学图像组学研究所的研究员，也是俄亥俄州立大学计算机科学与工程领域的杰出助理教授，他在上个月的美国科学促进会年会上就该领域的最新研究进展做了深入的介绍。

Chao和另外两位演讲者描述了图像组学如何通过将研究问题转化为可计算问题来改变社会对生物和生态世界的理解。Chao的演讲重点是图像组学在微观到宏观层面问题上的潜在应用。

“如今，我们在机器学习和计算机视觉技术方面取得了许多快速进展，”Chao说。“如果我们使用得当，它们可以真正帮助科学家解决关键但费力的问题。”

虽然一些研究问题可能需要数年或数十年才能手动解决，但图像组学研究人员建议，在机器和计算机视觉技术(如模式识别和多模态对齐)的帮助下，下一代科学发现的速度和效率将呈指数级增长。

Chao说:“如果我们能将人们几十年和几个世纪以来收集的生物学知识纳入机器学习技术，我们就能帮助提高机器在可解释性和科学发现方面的能力。”

Chao和他的同事们正在努力实现这一目标的方法之一是创建图像组学的基础模型，该模型将利用来自各种来源的数据来实现各种任务。另一种方法是开发能够识别甚至发现特征的机器学习模型，使计算机更容易识别和分类图像中的物体，这就是Chao的团队所做的。

Chao说:“传统的带有特征检测的图像分类方法需要大量的人工注释，但我们的方法不需要。”“我们受到启发，通过生物学家和生态学家如何寻找区分各种生物有机体的特征来开发我们的算法。”

传统的基于机器学习的图像分类器通过整体分析图像，然后将其标记为特定的对象类别，从而达到了很高的精度。然而，Chao的团队采取了一种更积极主动的方法:他们的方法教会算法在分析物体类别(如动物物种)时，主动寻找任何图像中特定的颜色和图案等特征。

通过这种方式，图像组学可以为生物学家提供更详细的图像中显示和未显示的内容，为更快，更准确的视觉分析铺平道路。Chao说，最令人兴奋的是，它被证明能够处理非常具有挑战性的细粒度物种的识别任务，比如蝴蝶的模仿，其外观的特征是精细的细节和翅膀图案和颜色的多样性。

他说，该算法易于使用，也有可能使图像组学整合到其他各种不同的目的中，从气候到材料科学研究。

Chao说，促进图像组学研究最具挑战性的部分之一是整合科学文化的不同部分，以收集足够的数据，并从中形成新的科学假设。

他说，这就是为什么不同类型的科学家和学科之间的合作是该领域不可或缺的一部分的原因之一。图像组学研究将继续发展，但目前，Chao对它的潜力充满热情，因为它可以让人们以全新的跨学科方式看待和理解自然世界。

他说:“我们真正想要的是人工智能与科学知识的紧密结合，我认为图像组学是一个很好的起点。”

作者：俄亥俄州立大学

链接：https://www.sciencedaily.com/releases/2024/03/240307165125.htm

著作权归作者所有。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：152 6451 3609，邮箱：1027830374@qq.com