近日，北京大学未来技术学院、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。文章从光学成像、计算机视觉与生命科学交叉视角，系统梳理AI在超分辨显微成像中的任务、方法、公开资源和可靠性问题，提出“任务—数据—模型—验证”相互衔接的统一框架。
超分辨显微成像的矛盾不只在空间分辨率
超分辨显微镜能够揭示细胞结构、细胞器组织、分子相互作用和亚细胞动态，但在活细胞和快速过程中，空间分辨率必须与成像速度、信噪比、光漂白和光毒性共同权衡。增加照明或延长采集可以获得更多光子，却可能扰动甚至损伤样本；降低照明和缩短曝光更适合观察真实动态，却使噪声和重建不稳定性上升。
AI方法为提高有限测量中的信息利用效率提供了新路径。它可以支持去噪、弱光增强、去模糊和超分辨重建，并加快部分传统计算过程。然而，AI也可能在训练条件与真实实验不一致时产生伪影或泛化失效。图像更锐利只是表象，真正需要回答的是新增结构是否受到原始测量支持，是否能够被量化和独立验证。
把模型放回光学与实验系统
综述首先区分了计算机视觉超分辨与显微超分辨。自然图像超分辨主要关注像素上采样和纹理恢复，而显微图像的形成取决于光学调制、点扩散函数、光子统计、探测噪声和重建算法。脱离这些物理过程的模型即使输出视觉上合理的图像，也未必能够支持定量生物学结论。
研究团队据此提出一条完整的方法选择路径：围绕STED、SIM和SMLM三类主流平台，明确输入数据和真值条件，定义去噪、弱光增强、去模糊或超分辨四类实际任务，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，并以定量指标和可信度分析完成验证。文章同时汇总公开代码与数据集，为模型复现、横向比较和跨领域合作提供入口。
图1：AI赋能超分辨显微图像重建的统一框架
从算法性能走向可验证的生命测量
陈良怡团队长期围绕活细胞超分辨显微成像开展技术研究，先后发展Hessian-SIM、Sparse-SIM和SACD等方法，持续探索如何在光子受限条件下提高分辨率、速度、成像时长和通量。这些研究也形成了一条稳定认识：算法不是独立于仪器的图像美化步骤，而是成像测量链的一部分；其价值最终取决于能否在真实样本中提取此前不可见的信息，并保持结构和定量结果的可信度。
本次联合综述进一步把这一问题放到AI快速发展的背景下。未来的AI原生成像系统需要将光学硬件、采集策略、图像形成模型、学习算法与实验验证协同设计。这样的医工交叉不只是提高一个图像质量指标，而是把有限光子转化为可复现、可比较、可用于提出和检验生物学假设的数据。
连接VITAL：AI成功的前提是测到正确的状态变量
综述同时讨论了显微图像基础模型和大语言模型的未来潜力，包括跨平台迁移、数据标注、实验参数优化和实时分析。但文章也明确指出，公开超分辨数据不足、跨设备和跨样本泛化困难、缺乏统一评价标准以及“幻觉”伪影，仍然是AI-SRM走向可靠生物学应用的主要障碍。换言之，更大的模型本身并不能保证更可信的生命科学。
这与未来技术学院参与推动的全景数字生命国际大科学计划VITAL形成直接呼应。VITAL所要建立的不是单一大模型，而是一个可被实验问责的闭环：
从看见生命，到建模、预测并验证生命。
From Seeing Life to Modeling, Predicting and Verifying Life.
在这个闭环中，AI超分辨显微成像承担两端任务。一端是观测：在低光子、快速动态和长时程条件下，提取能够描述生命状态的结构、动态和相互作用变量，并同时标注不确定性与适用范围；另一端是验证：在模型对未知干预作出预声明预测后，用新的成像实验判断预测是否成立，并据此修正模型的状态变量、动力学规则或跨尺度接口。
因此，学院在AI+生命科学方向真正需要建设的不是“给显微镜接入一个大模型”，而是贯通光学物理、算法设计、定量评测、生物模型和实验验证的AI原生科学系统。其人才培养也应跨过传统学科边界：既理解光子如何形成测量，也理解模型如何编码先验；既能优化网络，也能设计让模型可能失败的实验。
这篇综述为这一方向提供了一个具体起点。只有先测到正确的状态变量，并知道它们何时失效，跨尺度生命模型才可能获得可检验的预测能力。
李森、孟翔杰为论文共同第一作者；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。论文作者来自哈尔滨工业大学（深圳）、天津大学、北京大学和深圳河套学院等单位。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。
原文链接： https://doi.org/10.1038/s41592-025-02871-4
