深度学习改变图像分析的五种方式
从连接组学到行为生物学，人工智能使研究人员更迅速、更轻松地从图像中提取信息。
一立方毫米听起来微不足道。但是在人类的大脑中，这一体积的组织包含了大约5万条神经“导线”，由1.34亿个突触相连接。而Jeff Lichtman想追踪所有的这些连接。
为了产生原始数据，Lichtman使用了一种被称为连续薄片电子显微镜的实验设计，在11个月内对数千张薄片组织进行了成像。但是数据集非常巨大，达到了1.4PB（相当于大约200万张光盘）。对于研究人员来说，他们自己无法处理这么大量的数据。马萨诸塞州剑桥市哈佛大学（Harvard University）的分子和细胞生物学家Lichtman表示，人类根本不可能人为地追踪出所有的神经连接，地球上没有足够的人能够真正有效率地完成这项工作。
这是连接组学（对大脑结构和功能关联的研究）以及其他生物科学领域的一个常见说法，其中显微镜的进步正在产生大量的图像数据。在人力无法完成之处，计算机可以介入，特别是经过优化的深度学习算法，可以从大型数据集中梳理出很多很多数据模式。
马萨诸塞州剑桥市麻省理工学院和哈佛大学布罗德研究所（Broad Institute of MIT and Harvard）的计算生物学家Beth Cimini表示，在过去的几年里，就像是寒武纪生物大爆发一样，出现了很多深度学习的工具。
深度学习是一种人工智能（AI, artificial-intelligence）技术，它依赖于多层次的人工神经网络，其灵感来自于大脑中神经元的相互连接。由于它们是基于黑匣子神经网络，所以算法有其局限性。其中包括依赖大量的数据集来训练网络如何识别感兴趣的特征，以及有时会产生难以捉摸的结果。但是，一系列快速增长的开源和基于网络的工具正在使人们比以往任何时候都更容易入门（文后“迈向深度学习”）。
以下是深度学习在生物图像分析中产生深刻影响的五个领域。
