在生命科学领域，共聚焦荧光显微镜（CFM）以其能够创建细胞的高分辨率图像而闻名。然而，该技术依赖于荧光染色，这可能导致光漂白和光毒性等问题，从而损害正在检查的细胞。另一方面，中红外光声显微镜（MIR-PAM）则允许无标签成像，帮助保持细胞的完整性。不幸的是，其使用较长波长限制了空间分辨率，使得准确可视化细胞细节特征变得具有挑战性。
为了解决这些局限性，POSTECH的一个研究小组创造了一种利用可解释深度学习（XDL）的开创性成像技术。这种方法将低分辨率的无标签MIR-PAM图像增强为高分辨率图像，模拟CFM中的图像质量。与传统的人工智能方法不同，XDL通过允许观察转换过程来提高透明度，从而增加结果的可信性和准确性。
该团队利用单波长MIR-PAM系统，建立了一种两步成像过程：（1）分辨率增强阶段将低分辨率MIR-PAM图像升级为高分辨率图像，使得细胞结构如细胞核和丝状肌动蛋白等复杂细胞结构得以清晰可见；（2）虚拟染色阶段生成看似染色的图像，而无需使用荧光标签，从而避免与染色相关的危险，同时实现CFM质量的成像。这项突破性技术实现了高分辨率、虚拟染色的细胞成像，保护细胞活力，推动活细胞分析和详细生物研究的工具发展。
朴哲洪教授表示：“我们开发了一种变革性技术，将各种成像技术的物理界限连接起来，并提供互补的优势。XDL方法大大提高了无监督学习的稳定性和可靠性。”张智娜教授强调：“这项研究为无标签的多重高分辨率细胞成像开辟了新的方向。它在活细胞研究和疾病模型研究方面具有重要的应用潜力。”
这项研究得到了多个组织的支持，包括教育部、科学与信息通信部、韩国医疗器械开发基金、韩国再生医学基金、韩国技术进步院（KIAT）、POSTECH人工智能研究生院项目、BK21 FOUR和全球大学30项目。
