细胞蕴含大量与健康及疾病相关的重要信息，但如何从显微镜影像中可靠地提取这些信息，一直是生物医学研究的重要挑战。健康细胞与患病细胞之间的许多关键差异往往十分细微，难以单靠肉眼持续而准确地辨识；而能够识别这些模式的人工智能（AI）工具，很多时候又像“黑箱”一样，难以解释其判断依据。

由香港大学（港大）工程学院电机及计算机工程学系教授、港大生物医学工程学院生物医学工程课程总监谢坚文教授领导的研究团队，研发出一套全新的人工智能框架MorphoGenie，以协助应对上述两项挑战。这项技术能分析单个细胞的显微镜影像，识别与细胞类型、状态及行为相关、细微但具有意义的模式，并以更有透明度的方式协助研究人员理解人工智能的判断过程。

研究亮点

• 港大团队研发可解释人工智能框架 MorphoGenie，可从单细胞影像中学习可重用的形态学特征。 
• 提升分析透明度：不仅可作出预测，亦有助研究人员理解系统根据哪些视觉特征作出判断。
• 无需大量人手标注：系统可直接从细胞影像中学习，减少对人工标注和预设假设的依赖。
• 成功应用于多种生物医学任务：包括分辨主要肺癌细胞亚型、检测药物引起的细胞形态变化，以及追踪细胞周期进程和上皮－间质转化等动态生物学过程。
• 具有跨平台潜力：可应用于无标记定量相位成像和荧光显微镜等不同类型显微镜技术，并可将所学迁移至新数据集。 
• 为更透明的生物医学人工智能奠定基础：有望支持未来疾病研究、药物研发及人工智能辅助的生物医学探索。

从单细胞影像中揭示隐藏的生物学信息

MorphoGenie可分析单个细胞的影像，识别与其身份、状态及行为相关的细微模式。与不少传统人工智能模型不同，MorphoGenie具备可解释性，不但能协助研究人员了解系统作出什么预测，也能说明系统是根据哪些视觉特征得出有关结论。

这套工具会从细胞影像中学习一组可重用的视觉构成元素，包括细胞的整体大小与形状、较大尺度的内部纹理，以及细微的局部特征。这些特征其后可重新组合，用来描述多种不同的细胞状态和情况。

受人类学习方式启发

MorphoGenie背后的概念，源自人工智能领域中的一个更广泛想法：人类并不会在面对每一个新事物或新情境时都从零开始学习，而是会先掌握可重用的概念，再透过组合这些概念去理解陌生事物。这项原则称为组合性（compositionality），是人类学习和沟通的核心之一。

MorphoGenie将这个概念应用于细胞影像分析。它可直接从影像中学习一套精简而可重用的形态学概念，从而更有效地解读新的、过去未见过的细胞数据，而无需过度依赖人手标注或预设假设。

谢坚文教授表示：“人工智能发展其中一个目标，是建立能从可重用概念中学习的系统，而不只是单纯记住模式。人类天生就会这样学习——我们透过把简单概念组合成更复杂的概念来理解各种事物。MorphoGenie将类似原理应用到细胞形态分析上，有助令人工智能更透明、更具有适应能力，并有望在未来疾病诊断中发挥更大作用。”

提供更客观、更可解释的分析方法

细胞形态蕴含丰富的生物学信息，但其中很多内容难以单靠传统分析方法或肉眼观察而作出一致和可靠的量化。传统方法往往依赖人手设计特征或大量标注，不但耗时，也容易引入偏差。

MorphoGenie提供了另一种方法。它无需人手标注，便可直接从细胞影像中学习，并将复杂的影像信息整理成一种精简而可解释的表征方式。这有望支持未来更客观地分类细胞状态，并发掘一些人眼未必容易察觉、但具有生物学意义的模式。

在这项研究中，港大团队展示了 MorphoGenie 能够分辨主要的肺癌细胞亚型、检测药物引起的细胞形态变化，并追踪细胞周期进程及上皮－间质转化（epithelial-to-mesenchymal transition, EMT）等动态生物学过程；而这些过程与疾病进展及癌细胞转移密切相关。

论文第一作者Murthy博士表示：“细胞影像所包含的信息，远比我们单靠传统测量方法所能描述的更为丰富。MorphoGenie透过学习可解释的视觉基本元素，有助揭示原本可能被忽略、但具有重要意义的生物学模式，同时让研究人员明白人工智能是根据什么信息来解读数据。”

推动更透明的生物医学人工智能发展

MorphoGenie 的一大优势，在于它能应用于不同类型的显微镜技术，包括无标记定量相位成像（label-free quantitative phase imaging）和荧光显微镜。它亦能将所学到的知识转移至过往未曾见过的新数据集，显示其在生物医学领域具有广泛应用潜力，包括疾病研究、药物研发，以及分析细胞如何回应治疗等。

研究团队表示，MorphoGenie亦有望支持下一代用于生物医学研究的人工智能工具。随着人工智能逐步处理更复杂的科研任务，科研界越来越重视那些不仅能从数据中识别模式，同时亦能让科学家理解和验证其分析过程的系统。MorphoGenie 透过学习可解释的细胞形态构成元素，为分析生物影像提供了一种更透明的方法。

这一点对生物医学尤其重要，因为这个领域十分重视可信性、可重复性及科学理解。未来，这类方法或可协助研究人员利用人工智能识别有意义的模式、比较不同生物状态，并引导新的研究问题，同时让人类专业知识继续在科研探索过程中扮演核心角色。

谢坚文教授表示：“可解释性的重要，不仅在于建立信任，也在于提升人工智能的科学实用价值。如果人工智能要帮助研究人员揭示细胞中的重要变化，其结果就必须以人们能够理解和验证的方式呈现。”

研究团队指出，虽然完全自主的生物医学科研探索仍属较长远的目标，但 MorphoGenie 有助为未来建立更强大、也更透明的人工智能系统奠定基础。

《自然通讯》论文连结： https://www.nature.com/articles/s41467-025-66267-w

关于谢坚文教授

谢坚文教授为香港大学电机电子工程系教授及生物医学工程课程主任。他的研究涵盖广泛主题，包括用于成像流式细胞仪的超快速光学成像和高速体内脑成像及用于单细胞分析的生物信息方法等。他是国际光电工程学会会士、香港研究资助局 (RGC) 研究学者 (2020)。他荣获香港研究资助局颁发的2012-2013年杰出青年学者奖。他还获得了2015年香港大学杰出青年研究奖以及2016年第十四届中国青年科学家科学技术奖。谢教授拥有 11 项已授权和待授权的超快光学成像技术美国专利。同时，他是一家初创公司的共同创办人，该公司将用于癌症筛检和治疗监测应用的高速显微镜技术商业化，并入围 2019 年 Falling Walls Venture 前 10 名，更于 2024 年被评为 Google Cloud 初创企业。