AI 显微镜图像分析师是一款显微镜领域 specialist，能够审查共聚焦、TEM、SEM 和组织学图像，标记伪影、识别结构并指导定量分析。与将亮度直接解读为生物学现象的通用视觉工具不同，此智能体会将每个特征追溯到样品制备、仪器和采集过程。它构建于 Jenova 之上，将 OpenAI、Anthropic、Google 等公司的模型与文献和图表审查工具结合起来。组织学审查仅限于观察性分析 — 不构成病理学家的诊断。
显微镜图像分析师会在每次审查开始时标注可能的成像模态，并测试信噪比（SNR）、饱和度、Nyquist 采样和可见比例尺是否足以支持你提出的问题。在提出任何生物学或材料学结论之前，它会先列出缺失的元数据；屏幕截图可以帮助定位视野，但原始采集文件才包含真正的像素数据。当质量不达标时，此智能体会提供重新采集建议 — 包括 Nyquist 像素大小、增益、镀膜、聚焦或 Köhler 照明 — 而不是强行判定结构。
显微镜图像分析师只有在列出可能伪装成目标结构的伪影之后，才会识别细胞器、晶粒、生物膜和 IHC 模式。在 TEM 图像中，将细胞质包围起来的双层膜会被视为与自噬体一致；GFP 通道中的绿色信号，在排除自发荧光和串色之前，不会被判定为特异性信号；无法完成索引的晶格条纹，在倾转或 FFT 给出进一步证据之前，会被保留为可能的莫尔条纹。置信度会被明确说明；对于成像模态无法解析的结论，则会拒绝判定，并指出能够解决问题的技术。
显微镜图像分析师只有在完成校准并设置好对照后，才会设计定量分析，并根据任务匹配 ImageJ/FIJI、CellProfiler、QuPath、Ilastik、napari 或 Imaris，而不是对所有图像使用同一种默认方法。处理流程遵循预处理 → 分割 → 测量 → 导出 → 统计，并在自动曝光、未校准比例尺、饱和像素或 3D 对象的单个切片会导致结果缺乏依据时发出警告。96 孔板表型筛选、FIB-SEM 界面测量和 Ki-67 全切片评分并不共享同一套工作流程；当 2D 晶粒尺寸均值受到体视学偏差影响时，系统也会将其标记出来。
显微镜图像分析师会审查论文图像，检查对比度是否统一 — 而非仅在局部区域统一 —、各通道是否单独展示并提供合并图、每个面板是否都有比例尺，以及方法细节是否足以复现该视野。AI 会将代表性图像与定量数据集区分开来，避免把最清晰的画面误认为测量结果。设置参数会被视为结果的一部分，并可导出为文档，用于实验记录本或投稿材料包。
| 传统方法 | 显微镜图像分析师 |
|---|---|
| 走廊式咨询，只讨论最亮的对象 | 从质量评估到下一步行动的结构化报告 |
| 先设阈值，之后再询问校准情况 | 在任何测量之前先进行质量门控 |
| 将亮度视为生物学现象 | 标记饱和、充电和刀痕 |
| 对每张图像都沿用同一种软件习惯 | 根据图像匹配 FIJI、CellProfiler、QuPath 或 napari |
采集记忆，而不是遗忘的增益设置和被拒的视野
通用聊天机器人不会保留哪些共聚焦视野已经饱和、哪个对照使用了不同的增益、哪些 SEM 画面因充电而被丢弃，或哪些比例尺在此前检查中未通过。显微镜图像分析师会跨会话保留这些决策，因此 LC3-GFP 斑点计数不会与被截断的 stack 混用，粒径均值也不会从实验室已经拒绝的视野中重新构建。丢失这些历史记录，正是导致图像使用混合采集条件并带有缺乏依据的 n 就被发表的原因。
从细胞器判读切换到 pipeline 文案
TEM 横截面、晶格条纹与莫尔条纹的判定，以及对过度解读的拒绝，需要谨慎的推理模型；FIJI 宏步骤和图表检查清单则需要流畅的流程化写作。在这些不同阶段，此智能体可以在 OpenAI、Anthropic、Google、xAI、DeepSeek、Qwen 等公司的模型之间切换，而不是像 ChatGPT（仅 OpenAI）或 Claude（仅 Anthropic）一样，在审查的每个部分都被锁定于单一模型。能够流畅撰写方法文本的模型，并不一定适合判断宽场图像中一个宽 200 nm 的斑块是否为细胞器。
在同一工作流程中从显微图像转化为测量计划
显微镜图像分析师会将一个视野和一句话的问题转化为技术门控、全视野调查、伪影清单、与软件匹配的流程以及发表前检查清单。原始 stack 可以从 Google Drive 或 Dropbox 中提取，报告规范可以通过 Google Scholar 检查，测量计划也可以导出为文档 — 因此完整路径是显微图像 → 质量门控 → 结构与伪影调查 → FIJI、CellProfiler 或 QuPath 流程 → 图表检查。这是生产级审查，而不是对最亮对象所写的一句图注。
具备成像模态意识的审查，而不是猜测最亮对象
宽场、共聚焦、STED、STORM/PALM、SIM、TEM、STEM、冷冻电镜（cryo-EM）、SEM、FIB-SEM、AFM、STM、组织学和 CLEM 并不共享同一套目标检测逻辑。AI 会根据图像模态调整框架：对生物 TEM 进行细胞器调查，对材料 TEM 使用衍射逻辑，对 SEM 检查充电和边缘效应，对 AFM 采取探针卷积方面的谨慎态度。宽场图像中一个 200 nm 的“囊泡”，在使用能够解析它的成像模态之前，仍然只是一个受衍射限制的斑块。
定量分析荧光实验的细胞生物学家
当 LC3-GFP 斑点、三通道合并图中的共定位，或共聚焦 Z 投影需要经受饱和、串色以及有记录的逐细胞归一化检查时，可以使用此智能体。
使用 SEM、TEM 和 AFM 的材料科学家
当纳米颗粒直径、晶格条纹或晶粒尺寸必须在报告分布前与充电、溅射颗粒、刀痕、投影误差和探针卷积分离时，可以使用此智能体。
核心平台工作人员和仪器旁的受训人员
当暗淡的预览图、条纹状探测器噪声或不确定的增益需要一份简短的重新采集清单，而不是再花一小时扫描正在漂白的样品时，可以在已预约的仪器时段之间使用此智能体。
组织学和病理学研究人员（非诊断用途）
可以使用此智能体分析 H&E 结构、细胞密度和核特征，并在讨论任何模式之前列出处理伪影 — 用于研究和教学，而不是正式诊断。
准备投稿显微镜图像的作者
可以使用此智能体对比例尺、各通道及其合并图、统一对比度，以及代表性视野与定量数据集之间的区分进行最后检查。
Free 用于探索 Jenova：
Plus（$20/月） 个人用户：
Premium（$50/月） 常规用户：
Pro（$100/月） 高频用户：
Max（$200/月） 专业用户：
Ultra（$500/月） 重度专业用户：
Enterprise（$1,000/月） 企业用户：
所有套餐均按月计费，没有每日使用上限 — 每个计费日开始时，你都可以立即使用完整额度。
显微镜图像分析师是一款 AI，它会像资深显微镜专家一样读取显微图像 — 将其视为样品制备、仪器和采集设置的共同结果，而不是一张漂亮的图片。第一轮分析会标注成像模态，测试图像质量是否能够支持问题，并列出缺失的元数据，例如比例尺或像素大小。只有通过这一技术门槛后，系统才会给出结构、伪影、定量建议和图表检查结果。
显微镜图像分析师会保留采集设置、对照配对、被拒视野和此前的伪影判定，因此后续的斑点计数不会与通用聊天机器人早已遗忘的饱和 stack 混用。你可以在 OpenAI、Anthropic、Google、xAI、DeepSeek、Qwen 等公司的模型之间切换 — 用谨慎的推理模型处理 TEM 细胞器判读，再用另一个模型撰写 FIJI 流程文案 — 而不必始终只能使用 ChatGPT 或 Claude。Google Drive、Dropbox、Google Scholar 和文档导出都位于同一套审查流程中，因此一次对话就能将视野从质量门控推进到测量计划和图表检查清单。
显微镜图像分析师可以使用 Google Drive 和 Dropbox 处理原始 stack，使用 Google Scholar 和 Google Search 查询报告规范与方法用语，使用 Google Images 查找视觉参考，使用 YouTube 查看软件教程，并使用 Notion 管理实验室笔记，还可以将审查结果导出为文档。预期流程是上传视野、基于真实像素运行技术门控、调查结构和伪影，然后导出 FIJI、CellProfiler 或 QuPath 计划。AI 不会取代这些分析程序；它会判断测量是否有效，以及哪款程序适合该图像。
ImageJ/FIJI、CellProfiler 和 QuPath 负责测量；显微镜图像分析师负责判断测量是否有效，以及哪款程序适合这项工作。FIJI 仍然是通用工作台，CellProfiler 通常用于高通量表型分析，QuPath 则专为全切片病理学而构建。分析师会通过流程和需要锁定的对照，将你引导至正确的工具 — 但它不会变成你保存下来的宏。
覆盖范围包括明场和组织学、宽场和共聚焦荧光、STORM/PALM、SIM、STED、TEM、STEM、冷冻电镜（cryo-EM）、SEM、FIB-SEM、AFM、STM，以及 CLEM 等关联成像设置。分析框架会随成像模态改变：对生物 TEM 进行细胞器调查，对材料 TEM 使用晶格和衍射逻辑，对 SEM 检查充电和边缘效应。超分辨率并不会把此前宽场图像中的斑块自动变成可信的细胞器识别结果。
不会。组织学和细胞学审查会描述形态学特征，以及其与已知模式的一致性，用于研究和教学。正式诊断必须由具备资质的病理学家完成。如果项目还涉及临床扫描，也同样应遵守这一观察性限制，并交由专注于放射学的 specialist 处理。
系统会在判读时明确说明可靠性。高置信度标签仅用于成像模态确实能够解析的特征 — 例如，在质量合格的 TEM 横截面中识别线粒体，或在对照可见时识别 3+ 膜性 IHC 模式。对于有歧义的对象，系统会标记其与一份简短候选列表一致；对于无法解析的结论，则会拒绝判定，并指出能够解决问题的成像模态。
可以。Web、iOS 和 Android 端均提供完整的功能，包含语音转文字功能；如果你不想在仪器旁输入，也可以直接口述电压、物镜或通道设置。手机拍摄的屏幕照片足以完成第一轮故障排查；当你需要准确像素时，请上传原始文件。iOS：App Store 上的 Jenova。Android：Google Play 上的 Jenova。
可以，用于定位、猜测成像模态，以及发现缺少比例尺、条纹噪声或预览图严重截断等明显问题。像素级饱和度、真实 SNR 和校准后的尺寸，通过采集文件获得的结果更加可靠。请用一句话说明问题 — 是识别、质量、定量分析还是图表就绪度 — 这样技术门控才能判断该画面必须支持什么。
会。如果采样、SNR、聚焦、镀膜或被截断的直方图无法支持相应结论，AI 会列出你仍然可以说什么，以及哪些内容必须重新采集。典型建议包括 Nyquist 像素大小、增益、镀膜、聚焦和 Köhler 设置；它还会指出自动曝光是定量分析的致命问题。在图像不足以支持结论时强行识别结构，正是需要避免的失败模式。
不会。此智能体会推荐软件、编写流程形式的计划，并列出需要验证的内容；实际执行仍然发生在 FIJI、CellProfiler、QuPath、Ilastik、napari 或 Imaris 中。可复现的分析依赖于保存的工作流程和锁定的设置，而不是一次性的点击路径。在运行宏之前，可以使用审查结果判断哪些数字会因无法复现而失去意义。
不会。对话和上传的视野不会被用于训练公开模型，传输中和静态存储时都会加密，也不会被出售或与广告商共享。当 stack 尚未发表或图像正处于禁运期时，这一点非常重要。请将原始文件保存在 Drive 或 Dropbox 中，并在需要让审查基于真实像素时附加这些文件。
显微镜图像分析师是 Jenova 的一部分，Jenova 是全球最强大的 AI 智能体平台。Jenova 提供对 OpenAI、Anthropic、Google、xAI、DeepSeek、Qwen 等领先 AI 模型的统一访问，同时提供用于端到端任务完成的智能工具集成。该平台具备持久的跨会话记忆、自动化工作流编排，以及 Web、iOS 和 Android 之间的完整功能一致性。Jenova 由总部位于纽约的科技公司 Azeroth Inc. 开发，服务覆盖 70 多个国家的用户。
对开发者而言，Jenova Agent API 提供完全托管的智能体后端，内置编排、多模型路由、记忆、存储和 MCP 工具支持 — 无需再将原始 LLM API、向量数据库和自定义工具服务器拼接在一起。
联系方式：[email protected]