Aydogan Ozcan：手机变身低成本智能显微镜｜42问AI与机器人未来

42个AI与机器人大问题之——「AI如何帮助人类更健康地生活？」

9月2日在深圳举办的首届「Nature Conference - AI与机器人大会」上，Aydogan Ozcan 教授将给出他的答案。

本届大会由腾讯 AI Lab 携手Nature Research（自然科研）及旗下《自然-机器智能》、《自然-生物医学工程》两本期刊联合举办。大会上将发布「42个 AI 与机器人大问题」报告，并邀请 11 位世界知名学者为这些宏大问题给出每个人独特而深刻的理解与答案。在报告中，我们还邀请到 Yoshua Bengio、Jürgen Schmidhuber和多位中国院士提供专家见解。

「42 」源自科幻小说《银河系漫游指南》，是智能计算机「Deep Thought（深思）」经过 750 万年运算，找到的「关于生命，宇宙及一切问题的终极答案」。我们希望这个有终极目标意涵的 42 个大问题，能激发对人、AI与机器人未来的长远思考与规划。

下面我们将开启一段旅程，看看让手机变身智能显微镜的 Aydogan Ozcan 教授，如何思考AI在促进人类健康上的作用。

Aydogan Ozcan 现为加州大学洛杉矶分校（UCLA）电子与计算机工程和生物工程学教授及霍华德·休斯医学研究所（HHMI）教授，领导着 UCLA 电气工程与生物工程系的生物与纳米光子学实验室。他的研究重点是利用计算/算法来创建新的光学显微镜、传感和诊断技术，改进和简化现有的探测微米和纳米物体的测量和分析工具，其开发的新型工具包括基于智能手机的显微镜、细胞计数器、诊断测试读取器、细菌传感器、血液分析仪、过敏原检测器，以及重金属传感器等。Ozcan 博士是美国国家发明学会（NAI）会士，持有多项专利，涉及远程医疗、移动健康、纳米成像、广域成像、无透镜成像、非线性光学、光学相干断层扫描等多个领域。

Ozcan 博士曾获得美国科学家与工程师早期事业总统奖（PECASE），这是美国政府向科学和工程专业人员研究早期阶段授予的最高荣誉，以表彰他的诸多贡献：其开发的创新光学技术和信号处理方法有望显著影响生物科学和医学，解决发展中国家的公共健康需求问题，以及推动光学研究社区发展。另外，他还获得过首届Rahmi M. Koc科学奖章、国际光学委员会奖、首届国际光电工程学会（SPIE）生物光子学技术创新者奖、陆军研究办公室（ARO）青年研究员奖、SPIE 早期事业成就奖等众多荣誉。

手机变身显微镜，大幅降低医疗成本

Ozcan博士于2007年加入加州大学洛杉矶分校（UCLA），开始研究无透镜式手机显微镜，以提升疟疾和肺结核等疾病的检测效率并降低其成本。

「我们的主要目标是用计算机代码和架构取代笨重的光学显微镜，使其非常轻便、紧凑和经济高效。」Ozcan 说。相比价格高达数十万美元的高科技医用光学显微镜，他的发明利用手机摄像头中的传感器，可将成本降低至 5-10 美元。

他的团队开发了一个名叫 LUCAS 的平台（Lensless, Ultra-wide-field Cell monitoring Array platform based on Shadow imaging基于影成像的无透镜式超广域细胞监测阵列平台），包含一个 LED 灯、一个空间滤波器和一个医用载玻片的插槽，可以轻松地安装到标准形式手机的背面。

使用时，首先插入载玻片样本，光穿过样本后可在手机的摄像头传感器上创造各个细胞的影子（shadow）。得到的影像实际上是一张全息图，肉眼很难阅读，但可以通过专门的算法进行解析，得到可供医务人员阅读的数据。经过不断改进，这种手机显微镜从一开始检测约人类头发1/10大小的红细胞，到如今已经可以检测到比头发小千倍的各种病毒。

传统的显微镜体积大且昂贵，疾病检测需要将样品送到中心实验室，而利用手机显微镜可以远程检测血液和水中的寄生虫和细菌。「这种方法的优势在于可以在野外处理任何体液或水样，你只需要一部普通的手机和一个连接其上的显微镜。你还可以将这些信息发送到世界的任何地方。」在医疗资源匮乏的地区，普通技术人员只需简单操作，就可以将数据传输给千里之外的专家。Ozcan 相信 LUCAS 能帮助应对很多全球性健康问题，比如 HIV、疟疾、霍乱、肺结核、卵巢癌、水与食品污染等。

人工智能加持，手机显微镜媲美高端台式显微镜

2017 年，随着基于深度学习的人工智能方法的兴起和发展，Ozcan 的研究团队也开始研究将这项技术纳入到医疗成像和分析领域。他们提出使用深度神经网络来提升光学显微镜的成像质量，在大视场和景深上增强其空间分辨率。

Ozcan 曾在 2017 年底的一场 Reddit AMA（Ask Me Anything）中谈到深度学习的优势：

「深度学习现在已能让我们实现前所未有的准确度，尤其是在我们能轻松获取良好特征化的训练数据的情况下。对于我们所研究的大多数应用（比如检测水样本中的水源性寄生虫）来说，获取数据不是问题，因为我们在几天时间内就能在实验室中生成黄金标准的数据，从而训练神经网络和完成任务。

除了机器学习的基本用法（标记图像或将传感器数据分类），我相信在生物医学成像和传感领域，『机器学习启发的仪器』方面还会有一些非常激动人心的机会，这将是计算成像和传感方面的一种整体性方法。」

如前文所述，手机显微镜经济便携、成像高效，但手机的光学成像接口并非专为显微镜设计，因此在成像显微镜样本中会产生空间和光谱失真。为了改善这一问题，2018 年，Ozcan 的研究团队将深度学习与手机显微镜结合起来，校准手机显微镜的扰动，从而得到高分辨率的、去噪后的、经过色彩校准的图像，其结果不仅可媲美具有高端目镜的台式显微镜，还扩大了其景深。

采用 Masson 三色染色法处理后的肺组织样本先经过手机显微镜成像，再经过深度神经网络处理得到结果（d），与高端台式显微镜的效果（e）相当。

在训练卷积神经网络后，团队成功地对各种样本进行成像（包括血涂片、组织病理学组织切片和寄生虫），记录的图像被高度压缩，以便于远程医疗应用的存储和传输。该方法也适用于其他低成本、像差成像系统，可为昂贵且体积庞大的显微镜提供替代方案，同时还为临床和生物医学应用提供光学图像标准化框架。此后，他们不断对这种方法进行改进，将其用在了生物气溶胶检测、体液寄生虫检测、细胞检测甚至病毒检测等任务中。

未来，随着硬件性能的提升和深度学习技术的发展，相信这种处理方法还将能取得进一步突破。通过这种远程医疗工具，将提高发展中国家的医疗服务质量。与此同时，这也将对发达国家产生积极影响，通过设立快速筛查疾病护理点，减轻医院负担。

9月2日，Aydogan Ozcan 教授将在「AI与机器人大会」上分享他的创新研究。科技将如何为人类创造更健康幸福的生活？你将在这里看到 Ozcan 教授的答案。

｜演讲摘要

《光学显微镜和图像重建中的深度学习》

Deep Learning in Optical Microscopy and Image Reconstruction

我们将讨论近来先进深度学习方法在光学显微镜和显微图像重建方面的应用，这能为不同的显微成像模式带来完全由图像数据驱动的新变革。我们相信深度学习将从根本上改变各种光学显微模式（比如全息、明视野、荧光显微）中所使用的硬件和图像重建/合成方法，还将通过光学中的深度学习为生物医学和生命科学创造全新的应用。