Nature Methods综述｜陈良怡团队与合作者构建AI超分辨显微成像统一框架，为VITAL提供可信观测基础
近日，北京大学国家生物医学成像科学中心陈良怡教授团队与张阳教授团队合作完成的综述 AI-empowered super-resolution microscopy: a revolution in nanoscale cellular imaging 正式刊载于 Nature Methods 2026年9月刊，并收录于期刊“Focus on AI in biological research”专题合集。该综述围绕人工智能如何在真实成像约束下提高超分辨显微成像的信息获取能力，系统梳理任务、数据、模型与验证之间的关系，提出AI赋能超分辨显微成像的统一方法框架。
AI进入成像链：提高信息量，也必须守住可信度
超分辨显微成像能够揭示细胞结构、细胞器组织、分子相互作用和亚细胞动态，但在活细胞、快速过程和长时程观测中，空间分辨率、成像速度、光子预算、光漂白和光毒性之间始终存在制约。AI方法能够从低信噪比或有限采样数据中提取更多信息，支持去噪、弱光增强、去模糊和超分辨重建。然而，当训练数据、显微系统或样本条件发生变化时，算法也可能产生伪影、丢失弱结构或出现泛化失效。
综述据此提出，评价AI成像方法不能只看输出图像是否更锐利，而应检验新增细节是否受到原始测量支持、是否能够被定量比较，以及是否能在不同条件下稳定复现。
建立“任务—数据—模型—验证”的统一工作流
研究团队首先区分了计算机视觉超分辨与超分辨显微成像。前者主要处理像素上采样与纹理恢复，后者则受到光学调制、点扩散函数、光子统计、探测噪声和重建过程的共同约束。在这一基础上，文章围绕STED、SIM和SMLM三类主流平台，将常见成像需求归纳为去噪、弱光增强、去模糊与超分辨重建四类任务，并比较注意力模型、循环神经网络、扩散模型、自动编码器、生成对抗网络和卷积神经网络六类骨架，进一步连接输入数据和真值条件、学习范式、网络结构与显微模态，强调以定量指标和可信度分析共同完成验证。
文章还系统汇总了可公开获得的代码与数据集，为AI超分辨方法的复现、比较与进一步开发提供参考。
图1 AI赋能超分辨显微图像重建的统一框架
从“图像增强”走向“可验证测量”
该综述体现了国家生物医学成像科学中心在成像硬件、数据采集、计算重建与定量验证一体化方向的持续关注。对下一阶段AI原生成像而言，算法不应只是采集后的附加模块，而应与光学系统、样本特性和验证标准协同设计。只有把图像形成的物理约束和真实实验边界纳入模型，AI输出才可能转化为可复现、可比较并能够支撑生物医学结论的测量结果。
这一方法框架也为中心进一步建设开放成像数据、算法评测基准和跨尺度可信重建流程提供了参考：不仅追求“看得更清楚”，更要明确哪些信息被测得、如何被恢复以及如何被验证。
为VITAL建立可信观测层与实验验证接口
国家生物医学成像科学中心正在参与推动全景数字生命国际大科学计划VITAL。VITAL的目标不是建立一套脱离实验的完整生命“数字复制品”，而是把跨尺度观测转化为可检验的生命模型：在明确适用范围的条件下，模型对未知扰动做出前瞻预测，再由真实实验进行验证和修正。
从这一目标看，本综述所建立的AI-SRM框架对应VITAL的第一个关键接口——可信观测层。论文Fig. 1从成像平台、退化因素和重建任务出发，经学习策略与模型架构，进入评价指标、可信度分析和生物学发现；VITAL则在此基础上继续形成“测量—建模—预测—扰动—验证—修正”的闭环。
中心在这一闭环中的价值不只是产生更大规模的图像数据，而是形成三类可复用能力：
测量契约：记录仪器状态、采集参数、样本条件、校准信息和测量不确定性，使模型知道每个变量如何产生、在何种条件下有效；
模型接口：把细胞结构、动态过程和相互作用从图像转化为可比较的定量状态变量，并支持跨模态、跨尺度连接；
验证接口：在模型预先锁定预测后，以新的样本、时间点或扰动条件进行成像，区分观测失败、状态变量不足、动力学错误和跨尺度接口失效。
这一区分也给出了AI原生成像的评价标准：更高PSNR、SSIM或视觉质量并不是终点；只有当输出能够稳定进入模型，并在未知实验中帮助预测接受检验时，成像数据才真正成为可验证数字生命的证据基础。综述提出建立跨SRM平台和任务的标准化评价与综合基准，也为NBIC未来组织开放数据、跨设备评测和失效案例库提供了直接的方法学参考。
图2 基于AI的显微图像重建方法
哈尔滨工业大学（深圳）李森、孟翔杰为论文共同第一作者；哈尔滨工业大学（深圳）张阳教授与北京大学陈良怡教授为共同通讯作者；北京大学周博、田文丰参与该综述。该工作获得国家自然科学基金、国家重点研发计划、深圳市相关科研项目、北京大学高性能计算平台及新基石科学基金会等支持。