左：组织工程化的视网膜色素上皮(RPE)的透射光明场图像。成熟的RPE表达黑色素，黑色素是一种吸收光的颜料，可在图像中产生深色区域。可以将单个单元视为直径约为0.01到0.02毫米的小圆形。右：右下角带有校准吸光度标度的定量“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，这些图案对于人类而言并不明显，可以预测RPE标本的质量。

　　将来有一天，当您需要医疗服务时，有人会检查您，诊断问题，清除体内某些健康细胞，然后利用它们来治愈您的疾病。该疗法将个性化，尤其适合您和您的身体，您的基因以及肠道中生活的微生物。这是“再生医学”领域现代医学的梦想。

　　然而，这个梦想与其在现实生活中的实现之间存在许多障碍。障碍之一是复杂性。

　　细胞之间的差异常常很大，差异很大，科学家很难预测在任何给定的治疗情况下细胞会做什么。对于生活产品，实际上有数百万个参数。这意味着数百万种药物治疗可能出错的方法。

　　美国国家标准与技术研究院(NIST)的生物学家卡尔·西蒙(Carl Simon)说：“众所周知，鉴定细胞产物非常困难。” “它们不稳定，也不均匀，表征它们的测试方法具有很大的误差线。”

　　西蒙和他的同事希望通过缩小可能性并增加医生知道这些细胞将完全按预期进行的机会来改变这种状况。

　　关键之一就是好的测量。科学家需要能够测量将细胞制成医疗产品时发生的情况，但是您如何有效地测量具有数百万个参数的事物呢?

　　细胞测量问题多年来一直困扰着医疗产品研究人员和开发人员，包括眼部研究人员。随着某些人的年龄增长，他们开始以一种与年龄有关的黄斑变性(AMD)的方式失去视力。找到一种基于干细胞的有效疗法可能意味着世界各地人们的生活质量提高。个性化的再生医学似乎很可能引起这种疾病，但是质量保证措施一直缓慢而停顿。

　　为了帮助解决这一难题，西蒙的团队正在与国立卫生研究院国立眼科研究所的研究员Kapil Bharti合作，使用一种新型显微镜检查实验室生长的眼组织。 治疗失明。

　　有一天，西蒙(Simon)团队的博士后研究人员之一西蒙(Simon)和尼古拉斯·绍布(Nicholas Schaub)在实验室中对计算机进行实验时，震惊了绍布，他曾经使用过免费的开源人工智能(AI)程序来缩小良好的投资范围。个人理财项目的选择可能对其研究有用。

　　他们采用了从Bharti的实验中收集的数据(通常很难解密)，并应用了一种称为深度神经网络的AI程序。

　　结果以惊人的准确性返回。他们发现，人工智能程序在要求做出的36个预测中，仅对细胞变化做出了一个错误的预测。

　　他们使用的AI程序基于著名的模型架构GoogLeNet。他们的程序学习了如何从带注释的细胞图像中预测在不同场景和设置下的细胞功能。它很快可以快速分析实验室生长的眼组织的图像，以将组织分为好坏。经过训练，AI程序可以比任何人更准确，更快地对眼组织进行分类。

　　然而，在这种情况下，最新颖的是，被插入软件中的数字是生物学中最古老的技术之一的结果：一种基本的显微镜被设置来收集所谓的“明场”图像。这个团队的努力将最现代的研究方法之一与最古老的方法之一结合在一起。