现代医学中“再生医疗”领域的未来目标是，人们利用自身体内健康的细胞就能治愈疾病，这种个性化疗法适合不同人的身体、基因以及身体中的微生物。在现实生活中，要实现这个梦想还存在许多障碍，复杂性是其一。
细胞之间巨大的差异使科学家很难预测在不同治疗方案中细胞会有什么反应。这其中涉及数百万个参数，也意味着药物治疗有数百万种出错的可能。表征细胞产物非常困难，因为它们不稳定，也不均匀，表征的测试方法有很大误差。因此，精准的测量成了解决问题的关键，当细胞被制成医疗产品时，科学家必须要精准的测量细胞内部，那么如何才能有效地测量具有数百万个参数的细胞呢？
细胞测量问题多年来一直困扰着医疗产品研发人员。一种与年龄有关的视网膜黄斑变性疾病（AMD）会导致一些人在年龄增长后逐渐失去视力，找到一种基于干细胞的有效疗法有可能使这些病人受益。个性化的“再生医疗”似乎是这种疾病的最佳解决方案，但是相关的高质量测量却一直处于发展滞后阶段。
为了解决这一难题，美国国家标准与技术研究院（NIST）与美国国家卫生研究院眼科研究所合作，使用一种显微镜来观察实验室生长的眼部组织以达到治疗失明的目标。该团队在研究过程中偶然发现一款用于个人理财的名为“深度神经网络”的免费开源人工智能程序有可能对他们的科研有很大帮助。测试结果实现了非常惊人的准确度，人工智能程序对细胞变化做出的36次预测中只有1次错误。
最新颖的是，输入程序中的数据是一种用于收集所谓“明场”图像的基本显微镜（生物学最古老的技术之一）获取的。加上人工智能的助力，该团队使用的几乎是将最现代的研究方法与最古老的方法结合在一起的方法。
明场显微镜的工作原理是从下面照亮一个样品，密度较高的部分吸收光，在明亮的背景下会显得很暗。它仍然是当今生物学研究中使用最普遍的工具之一，且现在技术进步已极大地改善了通过显微镜看到的范围和细节。
但是明场显微镜的缺点是用显微镜很难进行精确测量。用这种显微镜拍摄的细胞照片很难与其它实验室中其它显微镜拍摄的照片进行比较，部分原因是由于显微镜及其产生的数据差异很大。到目前为止，实验室之间尚无好的方法相互报告结果，也无法确保在不同环境下这些结果可复制且可靠。
这些限制因素再加上细胞研究中的众多参数，使得人体临床试验的生物制造所需的高精度数据很难获得。尽管如此，NIST的研究人员认为，利用吸光度成像，对获得的图像进行简单的数学运算，从而使不同仪器，实验室和人员之间的数据具有可比性，提高明场显微镜的测量准确度。同时，人工智能可以帮助快速扩大数学范围，并对数百万张图像进行比较。
目前，研究小组开发了一种有效的干细胞工作新方法，称为定量明场吸收显微镜（QBAM）。最近，研究成果发表在《临床研究杂志》中。
左图：视网膜色素上皮细胞（RPE）的透射光明场图像。成熟的RPE传递黑色素，黑色素吸收光，在图像中产生深色区域，可以看见直径约为0.01到0.02毫米的圆形细胞。右图：定量“吸光度”图像。人工智能算法能够检测出色素沉着的细微图案，可以预测RPE标本的质量。
原文版权归美国国家标准与技术研究院（NIST）所有，源自NIST网站