細胞蘊含大量與健康及疾病相關的重要資訊，但如何從顯微鏡影像中可靠地提取這些資訊，一直是生物醫學研究的重要挑戰。健康細胞與患病細胞之間的許多關鍵差異往往十分細微，難以單靠肉眼持續而準確地辨識；而能夠識別這些模式的人工智能（AI）工具，很多時候又像「黑箱」一樣，難以解釋其判斷依據。

由香港大學（港大）工程學院電機及計算機工程學系教授、港大生物醫學工程學院生物醫學工程課程總監謝堅文教授領導的研究團隊，研發出一套全新的人工智能框架MorphoGenie，以協助應對上述兩項挑戰。這項技術能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，並以更具透明度的方式協助研究人員理解人工智能的判斷過程。

研究亮點

• 港大團隊研發可解釋人工智能框架 MorphoGenie，可從單細胞影像中學習可重用的形態學特徵。
• 提升分析透明度：不僅可作出預測，亦有助研究人員理解系統根據哪些視覺特徵作出判斷。
• 毋須大量人手標註：系統可直接從細胞影像中學習，減少對人工標註和預設假設的依賴。
• 成功應用於多種生物醫學任務：包括分辨主要肺癌細胞亞型、偵測藥物引起的細胞形態變化，以及追蹤細胞週期進程和上皮－間質轉化等動態生物學過程。
• 具跨平台潛力：可應用於無標記定量相位成像和螢光顯微鏡等不同類型顯微鏡技術，並可將所學遷移至新數據集。
• 為更透明的生物醫學人工智能奠基：有望支持未來疾病研究、藥物研發及人工智能輔助的生物醫學探索。

從單細胞影像中揭示隱藏的生物學資訊

MorphoGenie可分析單個細胞的影像，找出與其身份、狀態及行為相關的細微模式。與不少傳統人工智能模型不同，MorphoGenie具備可解釋性，不但能協助研究人員了解系統作出甚麼預測，也能說明系統是根據哪些視覺特徵得出有關結論。

這套工具會從細胞影像中學習一小組可重用的視覺構成元素，包括細胞的整體大小與形狀、較大尺度的內部紋理，以及細微的局部特徵。這些特徵其後可重新組合，用來描述多種不同的細胞狀態和情況。

受人類學習方式啟發

MorphoGenie背後的概念，源自人工智能領域中的一個更廣泛想法：人類並不會在面對每一個新事物或新情境時都從零開始學習，而是會先掌握可重用的概念，再透過組合這些概念去理解陌生事物。這項原則稱為組合性（compositionality），是人類學習和溝通的核心之一。

MorphoGenie將這個概念應用於細胞影像分析。它可直接從影像中學習一套精簡而可重用的形態學概念，從而更有效地解讀新的、過去未見過的細胞數據，而無需過度依賴人手標註或預設假設。

謝堅文教授表示：「人工智能發展其中一個目標，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。人類天生就會這樣學習——我們透過把簡單概念組合成更複雜的概念來理解身體事物。MorphoGenie將類似原理應用到細胞形態分析上，有助令人工智能更透明、更具適應能力，並有望在未來疾病診斷中發揮更大作用。」

提供更客觀、更可解釋的分析方法

細胞形態蘊含豐富的生物學資訊，但其中很多內容難以單靠傳統分析方法或肉眼觀察而作出一致和可靠的量化。傳統方法往往依賴人手設計特徵或大量標註，不但耗時，也容易引入偏差。

MorphoGenie提供了另一種方法。它毋須人手標註，便可直接從細胞影像中學習，並將複雜的影像資訊整理成一種精簡而可解釋的表徵方式。這有望支持未來更客觀地分類細胞狀態，並發掘一些人眼未必容易察覺、但具有生物學意義的模式。

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（epithelial-to-mesenchymal transition, EMT）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。

論文第一作者Murthy博士表示：「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人工智能是根據甚麼資訊來解讀數據。」

推動更透明的生物醫學人工智能發展

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（label-free quantitative phase imaging）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。

研究團隊表示，MorphoGenie亦有望支持下一代用於生物醫學研究的人工智能工具。隨着人工智能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。

這一點對生物醫學尤其重要，因為這個領域十分重視可信性、可重複性及科學理解。未來，這類方法或可協助研究人員利用人工智能找出有意義的模式、比較不同生物狀態，並引導新的研究問題，同時讓人類專業知識繼續在科研探索過程中扮演核心角色。

謝堅文教授表示：「可解釋性的重要，不僅在於建立信任，也在於提升人工智能的科學實用價值。如果人工智能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、也更透明的人工智能系統奠定基礎。

《自然通訊》論文連結：

https://www.nature.com/articles/s41467-025-66267-w 

關於謝堅文教授

謝堅文教授為香港大學電機電子工程系教授及生物醫學工程課程主任。他的研究涵蓋廣泛主題，包括用於成像流式細胞儀的超快速光學成像和高速體內腦成像及用於單細胞分析的生物資訊方法等。他是國際光電工程學會會士、香港研究資助局 (RGC) 研究學者 (2020)。他榮獲香港研究資助局頒發的2012-2013年傑出青年學者獎。他還獲得了2015年香港大學傑出青年研究獎以及2016年第十四屆中國青年科學家科學技術獎。謝教授擁有 11 項已授權和待授權的超快光學成像技術美國專利。同時，他是一家初創公司的共同創辦人，該公司將用於癌症篩檢和治療監測應用的高速顯微鏡技術商業化，並入圍 2019 年 Falling Walls Venture 前 10 名，更於 2024 年被評為 Google Cloud 初創企業。