人工智慧技術正推動醫學領域持續進步，最近華盛頓大學團隊就展示了最新開發的深度學習軟體 Omnipose，在先進技術協助下，Omnipose 不僅達成原本協助辨識顯微鏡影像中各種微小細菌的目標，更進一步能在影像中辨識出細菌以外的微小生物，未來將有望成為多領域顯微影像解讀上的一大助力。
Omnipose 可識別細菌更精細的物理特徵
Omnipose 是華盛頓大學物理學研究生 Kevin J. Cutler 與其團隊所共同開發，透過使用大型細菌影像數據庫訓練，Omnipose 除了消除其前身 Cellpose 的一些錯誤，在表徵和量化培養皿中的混合微生物方面更是青出於藍。
不同細菌在形狀及光學特性上都存在差異，而 Omnipose 在辨識這些微小差異上表現出色，同時還可以識別像是分支、細絲和附屬物等更精細的物理特徵，即使細菌因抗生素治療或化學物質的拮抗作用（antagonism）形狀出現極端變化，Omnipose 也不會輕易被欺騙，在進一步的實驗中，Omnipose 甚至能辨別出因細胞毒性形狀略微改變的大腸桿菌（E. coli）。
為了探索 Omnipose 的實用範疇，研究團隊還利用在遺傳、神經科學中常見的秀麗隱桿線蟲（C. elegans）顯微影像進行了測試，儘管秀麗隱桿線蟲具有與細菌類似的細長形狀，還會因伸展、扭曲等運動形狀產生改變，Omnipose 還是能從影像中成功辨識出來，研究人員認為，這正展現出 Omnipose 在更多需要顯微影像辨識的相關研究領域中的應用潛力。
以單像素精度來定義細胞邊界
目前 Omnipose 在處理影像上仍有一些限制，如果樣本的微生物群落過於擁擠，導致 2D 顯微影像上出現重疊，就可能影響判讀結果。同時其他測試也發現，低於特定閾值的細菌也可能讓 Omnipose 難以進行判定。
儘管有著這些缺點，Omnipose 仍展現出一些獨特優勢，能夠辨認出過去類似工具難以辨識的細菌類型，團隊因此認為，Omnipose 仍是一種極具潛力的解決方案，能協助回答相關研究人員在細菌細胞生物學中的各種問題。
即使是在顯微影像中，許多細菌的細胞體還是僅由少量像素組成，科學家正在研究如何讓辨識達到單像素（Single-pixel）尺度的高精準度，才能正確定義細胞邊界並掌握更多訊息，而透過深度神經網路、高精度分割演算法開發的 Ominpose 在定義邊界上的精確度正好能夠協助達成目標。
研究團隊已公開 Omnipose 的源代碼、訓練數據、模型以及使用說明，提供傳統研究實驗室使用。團隊成員認為，Omnipose 在各種細胞形態和模式上的高性能表現，將協助科學家從以前無解的顯微鏡影像中找到訊息，「我們相信，這將改變生物影像分析的遊戲規則。」
