香港文匯報訊（記者 莫楠）細胞蘊藏大量與健康及疾病相關的重要資訊，惟如何從顯微鏡影像中可靠提取，一直是生物醫學研究的難題。香港大學工程學院電機及計算機工程學系教授謝堅文帶領團隊，研發全新的人工智能（AI）框架「MorphoGenie」，透過分析單個細胞的顯微鏡影像，找出與細胞類型、狀態及行為相關、細微但具意義的模式，並以更透明方式呈現推論過程，協助研究人員理解AI是基於哪些視覺線索作出判斷。
MorphoGenie的一大優勢，在於它能應用於不同類型的顯微鏡技術，包括無標記定量相位成像和螢光顯微鏡。它亦能將所學到的知識轉移至過往未曾見過的新數據集，顯示其在生物醫學領域具廣泛應用潛力，包括疾病研究、藥物研發，以及分析細胞如何回應治療等，有望支持下一代用於生物醫學研究的AI工具。隨着AI逐步處理更複雜的科研任務，科研界愈來愈重視那些不僅能從數據中找出模式，同時亦能讓科學家理解和驗證其分析過程的系統。MorphoGenie透過學習可解釋的細胞形態構成元素，為分析生物影像提供了一種更透明的方法。
相較傳統方法依賴人手設計特徵或大量標註，MorphoGenie毋須大量人工標註，能直接從影像中學習，減少對預設假設與人為偏差的依賴，亦有助提升分析的一致性與可重複性。在這項研究中，港大團隊展示了MorphoGenie能夠分辨主要的肺癌細胞亞型、偵測藥物引起的細胞形態變化，並追蹤細胞週期進程及上皮－間質轉化等動態生物學過程；而這些過程與疾病進展及癌細胞轉移密切相關。
謝堅文表示，AI發展其中一個目標，是建立能從可重用概念中學習的系統，而不只是單純記住模式。MorphoGenie將類似原理應用到細胞形態分析上，有助令AI更透明、更具適應能力，並有望在未來疾病診斷中發揮更大作用。
論文第一作者Murthy表示，細胞影像所包含的資訊，遠比我們單靠傳統量度方法所能描述的更為豐富。MorphoGenie透過學習可解釋的視覺基本元素，有助揭示原本可能被忽略、但具重要意義的生物學模式，同時讓研究人員明白AI是根據甚麼資訊來解讀數據。
謝堅文認為，可解釋性的重要不僅在於建立信任，也在於提升AI的科學實用價值。如果AI要幫助研究人員揭示細胞中的重要變化，其結果就必須以人們能夠理解和驗證的方式呈現。研究團隊指出，雖然完全自主的生物醫學科研探索仍屬較長遠的目標，但MorphoGenie有助為未來建立更強大、也更透明的AI系統奠定基礎。
贵公网安备52011302005168号