英特爾與諾華合作，利用深度神經(jīng)網(wǎng)絡(luò)加速高內(nèi)涵藥物篩選

在近日舉行的英特爾人工智能開發(fā)者大會上，英特爾公司全球副總裁兼人工智能產(chǎn)品事業(yè)部總經(jīng)理Naveen Rao提到，英特爾正在與諾華合作，利用深度神經(jīng)網(wǎng)絡(luò)來加速高內(nèi)涵篩選——這是早期藥品研發(fā)的關(guān)鍵因素。雙方的合作把訓(xùn)練圖片分析模型的時間從11個小時縮短到了31分鐘——改善了20多倍

細(xì)胞表型的高內(nèi)涵篩選是支持早期藥品研發(fā)的關(guān)鍵工具，“高內(nèi)涵”一詞是指利用傳統(tǒng)圖像處理技術(shù)從圖像中提取的豐富數(shù)據(jù)集，這些數(shù)據(jù)集由數(shù)千個預(yù)定義特性（如大小、形狀、肌理等）構(gòu)成。通過高內(nèi)涵篩選可以分析顯微鏡圖像，進(jìn)而研究數(shù)千種基因或化學(xué)治療方法對不同細(xì)胞的培養(yǎng)效果。

深度學(xué)習(xí)有望做到的是從數(shù)據(jù)中“自動”學(xué)習(xí)如何通過相關(guān)圖像特征將一種治療方法與另一種治療方法區(qū)分開。英特爾與諾華的生物學(xué)家和數(shù)據(jù)科學(xué)家希望通過利用深度神經(jīng)網(wǎng)絡(luò)加速技術(shù)，提高高內(nèi)涵圖像篩選的速度。在雙方的合作中，團(tuán)隊并非通過獨立的步驟鑒別出圖像中的各個細(xì)胞，而是聚焦于完整的顯微鏡圖像，但完整的顯微鏡圖像遠(yuǎn)遠(yuǎn)大于深度學(xué)習(xí)數(shù)據(jù)集里的圖像，例如英特爾與諾華合作評估中使用的圖片就比典型的動物、物體和場景數(shù)據(jù)集ImageNet*中的圖像大26倍以上。

深度卷積神經(jīng)網(wǎng)絡(luò)模型在分析顯微鏡圖像時可同時分析一張圖像中的幾百萬個像素或者一個模型中的幾百萬個參數(shù)，甚至還能同時分析數(shù)千個訓(xùn)練圖像，這些構(gòu)成了很高的計算工作量，即使采用最先進(jìn)的計算性能也無法有足夠時間對DNN模型展開深入研究。為了解決這一挑戰(zhàn)，英特爾聯(lián)手諾華利用深度神經(jīng)網(wǎng)絡(luò)加速技術(shù)處理多個圖像，大大縮減了時間并提高工作效率，同時讓模型從圖像特性中獲得更加豐富的洞察。具體講就是通過使用Broad Bioimage Benchmark CollecTIon* 021 （BBBC-021） 數(shù)據(jù)集，英特爾與諾華合作團(tuán)隊將總處理時間縮短至31分鐘，準(zhǔn)確率超過99%;利用深度學(xué)習(xí)訓(xùn)練中的數(shù)據(jù)并行性原則，并充分依靠服務(wù)器平臺上的大存儲支持，通過了32個TensorFlow* workers，實現(xiàn)了每秒處理120個3.9兆像素圖像的成果。

與諾華的合作，是英特爾通過企業(yè)級的解決方案為人工智能的應(yīng)用與企業(yè)部署提供最廣泛的計算力合作案例之一。在未來，雖然監(jiān)督學(xué)習(xí)對于加快圖像分類、縮短獲得洞察的時間至關(guān)重要，但卻仍需要依賴大量專家標(biāo)記的數(shù)據(jù)集來訓(xùn)練模型，建立此類數(shù)據(jù)集所需的時間和工作量往往超出現(xiàn)實條件。無監(jiān)督學(xué)習(xí)或許可以應(yīng)用于無標(biāo)記的顯微鏡圖像，有望在細(xì)胞生物學(xué)領(lǐng)域發(fā)現(xiàn)新洞察，有助于人類藥物研發(fā)的進(jìn)一步發(fā)展。