2025年5月，Tao Liu、Jiahao Liu、Dong Li與Shan Tan團隊的研究論文《Bayesian deep-learning structured illumination microscopy enables reliable super-resolution imaging with uncertAInty quantification》在線發表于《Nature Communications》。該研究解決了深度學習SIM模型長期存在的“黑箱”隱患，被同行評價為“計算超分辨顯微鏡可信賴化的里程碑”。

重要發現
01技術原理：貝葉斯框架破解光學逆病態問題
傳統SIM重建算法面臨光學逆問題的病態性：單組原始圖像可能對應多個潛在超分辨解。BayesDL-SIM通過兩項核心技術突破該局限：

（1）異方差概率建模：
使用高斯分布描述潛在超分辨空間，網絡同步輸出每個像素的均值（重建強度）和標準差（AleaU）（公式1）

提出解耦訓練（DeT）方案：先以雙域損失優化重建權重，再凍結權重學習AleaU，避免保真度損失

（2）隨機貝葉斯推理：
采用隨機梯度Langevin動力學（SGLD）近似后驗分布（公式3）
通過蒙特卡洛采樣生成多組重建結果，計算EpisU = 樣本方差（公式4）

AleaU映射準確反映重建可信度：非特征區（如CCPs背景）不確定性更低，校準誤差 <0.03

用戶可自定義可信區間（CI）：如3σ區間覆蓋99.74%真實強度分布

（2）模型誤用預警：
認知不確定性（EpisU）有效識別知識不一致（KIC）場景：
當MTs訓練模型處理F-actin時，FG-EpisU激增400%
稀疏熒光珠密度樣本誤用常規模型時，過分割區域EpisU擴大3倍
空間采樣率失配（如62.4 nm/pixel數據誤用31.2 nm/pixel模型）導致EpisU >250%

（3）活細胞動態追蹤：
在長達3小時的COS-7細胞粘附過程中，BayesDL-SIM清晰解析F-actin重組
低信噪比（平均光子數<50）條件下，重建絲狀長度增加37%
KIC場景下FG-EpisU持續高于KC組1.5-2.5倍

創新與亮點
01突破性技術：雙模態不確定性量化
（1）AleaU映射取代經驗性評估：
相較傳統SQUIRREL方法，AleaU與真實重建誤差的稀疏化曲線匹配度提升60%
指導實驗優化：通過最小化AleaU反向優化照明參數

（2）EpisU驅動的可靠性防火墻：
首次實現DL-SIM模型的誤用自診斷，尤其有效識別GAN模型的幻覺偽影（FG-EpisU >300%）

（3）通用框架擴展性：
兼容單圖像超分辨（SISR）與少幀SIM
在3D-SIM中保持亞細胞結構解析力

總結與展望
BayesDL-SIM通過貝葉斯深度學習框架，首次將雙重不確定性量化引入光學超分辨成像領域。其核心突破在于：
以異方差建模破解重建病態性問題，實現分布式可信成像；
以認知不確定性構建模型誤用防火墻，避免生物學誤讀。
該技術顯著提升了對密集生物結構（如F-actin）的解析能力，并在長達3小時的活細胞觀測中驗證了可靠性，為研究亞細胞動態提供了新工具。

未來工作將聚焦三方面：
一是探索無標注學習融合方案，解決高光毒性樣本的訓練數據缺失問題；
二是開發跨模態泛化引擎，實現從SIM到定位顯微鏡的通用遷移；
三是構建不確定性反饋訓練機制，利用AleaU優化網絡注意力分配。

隨著生物學家對結果可信度需求的升級，BayesDL框架有望成為智能顯微鏡的算法基座，推動超分辨成像從“高分辨率”向“高可信度”躍遷。

DOI:10.1038/s41467-025-60093-w.