至岛津、富士通共同研究人工智能在质谱数据处理中的应用成果

岛津、富士通共同研究人工智能在质谱数据处理中的应用成果 岛津、富士通共同研究人工智能在质谱数据处理中的利用成果 时间：2017⑴2⑵ 13:45:00

株式会社岛津制作所(以下简称岛津制作所)、富士通株式会社(以下简称富士通)、株式会社富士通研究所(以下简称富士通研究所)经共同研究※1，成功开发出可利用于大数据处理中的AI(人工智能)技术，该技术在质谱分析结果的解析进程中不可或缺。截至目前的所有研究成果，已在日前召开的第11届代谢组学研讨会上发表。

作为ICT(信息通讯技术)企业，富士通为实现数字革新，不断探究AI新型商业模式。作为分析仪器制造商，岛津公司受客户拜托，致力于实现复杂数据的高精度自动解析。诉求1致的两家企业自去年所用能源占国民经济总能耗的12％左右11月起，开始推动数据自动化解析领域AI的共同研究。随着仪器灵敏度、分析速度的不断提升，用于疾病初期发现的技术确立、食品农残检测等各领域研究和品质管理等用处的质谱分析仪，取得的数据量也急剧增加。在此影响下，被称为peak picking ※2的数据解析方式成为作业工程中的1大瓶颈。由于较难实现完全利税2080亿元的自动化，并且在1定程度上仍需手动调剂，该作业方式存在操作人员操作失误或数据篡改的漏洞，各操作人员间的解析准确率亦良莠不齐。最近几年，在医疗及制药领域，对排除属人为属性的高精度自动化需求愈演愈烈。

为此，3家企业模仿脑神经细胞的神经网DEEP LEARNING(深度学习)的适用性展开探讨，欲通过活用AI解决上述问题。但在研究进程中，遇到两大困难：其1， 训练数据※3不充分;其2，将分析仪器输出数据直接导入深度学习网络后，没法展开学习训练。通过共同研究期间的不懈努力，岛津成功开发出可弥补训练数据不足的数据生成技术，富士通?富士通研究所成功开发出分析仪器输出特点的图象转换技术及可学习熟练工解析窍门的特点提取技术。目前，已将通过上述技术生成的3万多条训练数据输入深层学习网，供其学习。

与经验者手动peak picking 结果比对后发现，AI自动peak picking 的毛病率为7、未检率为9※4。即自动peak picking 其实不逊色于经验者操作，相干结果到达可以使用状态。

在岛津公司2017年4月展开的中期经营计划中，制定了致力先进医疗、为预防、诊断、医治和制药领域提供革新产品及服务的目标。本次开发的AI，其初使用的代谢组学研究即为其中的1环。代谢组学是1种检测代谢产物并根据其性状特点对细胞展开检查的生物技术。在生理?病理组织的解析、疾病生物标志物的探索等领域备受注视。

2015年11月，富士通将积累了超过30年的AI(人工知能)相干知识技术，以FUJITSU Human Centric AI Zinrai情势公然发表，积极推动面向各领域用户、商品服务的AI实际利用。目前，又在深度学习的全新领域聚焦代谢组学，积极展开可实现数据分析自动化的AI研发。

岛津与富士通的目标为，2018年能将本次成功研发的AI技术导入质谱分析仪器专用软件。

※1 从大阪大学研究生院工学研究专业福崎英1郎教授、该校信息科学研究专业松田史生教它可以准确的获得被测物体的各项数据授处取得研究人员需求。在岛津制作所、大阪大学开设以代谢组学分析技术研发为目的的大阪大学?岛津分析革新共同研究讲座。

※2 从质谱分析数据(图表)中，读取峰宽及峰高的工程。

※3 供深度学习网络展开学习的数据。对输入网络的数据及其输出结果进行编组。本技术利用中，为分析仪器输出数据与相应经验者peak picking 结果的比对组合。

※4 将经验者手动peak picking 结果称作正确范围，与AI自动peak picking 结果预测范围进行比较。如二者堆叠率超过50，则判断为匹配，反之则为不匹配。在匹配情况下，除被正确检测的峰值外，将预测范围中出现、但没法与正确范围匹配的项目定义为毛病检测，将正确范围中出现、但没法与预测范围匹配的项目定义为未检测。毛病检测率计算公式为：毛病检测数 / 、未检测率计算公式为：未检测数1、用户在选购时是用来做简单的拉伸实验、紧缩实验等 / 。

关于岛津

岛津企业管理(中国)有限公司是(株)岛津制作所于1999年100出资，在中国设立的现地法人公司，在中国全境具有13个分公司，事业范围不断扩大。其下设有北京、上海、广州、沈阳、成都分析中心，并具有覆盖全国30个省的销售代理商网络和60多个技术服务站，已构筑起为广大用户提供良好服务的完全体系。本公司以为了人类和地球的健康为经营理念，始终致力于为用户提供更加先进的产品和更加满意的服务，为中国社会的进步贡献气力。