Hochauflösende Kolonieaufnahmen klinisch isolierter Bakterien für automatisierte Erkennung und Deep Learning

Warum winzige Punkte auf einer Platte wichtig sind

Wenn Ärztinnen und Ärzte auf Infektionen testen, lassen sie häufig Mikroben aus einer Patientenprobe auf einer Nährplatte wachsen und warten, bis winzige Punkte, so genannte Kolonien, erscheinen. Jeder Punkt geht auf ein einzelnes Mikroorganismus zurück, und sein Aussehen und Muster helfen dem Laborpersonal, eine Vermutung über den Krankheitserreger anzustellen. Aber hunderte Platten mit dem Auge auszuwerten ist langsam und ermüdend. Diese Studie beschreibt eine große, sorgfältig erstellte Sammlung hochwertiger Koloniebilder, die Computern helfen soll, diese Punkte schnell und konsistent zu erkennen und zu zählen.

Von der überfüllten Laborbank zu digitalen Bildern

In Krankenhauslabors züchten Mitarbeitende routinemäßig Bakterien aus Blut, Urin oder Atemwegsproben. Anschließend begutachten sie die Kolonien hinsichtlich Größe, Farbe und Form, um Diagnose und Therapie zu leiten. Die traditionelle visuelle Auswertung ist nicht nur arbeitsintensiv; sie variiert auch von Person zu Person, besonders wenn viele Platten in kurzer Zeit geprüft werden müssen. Da Gesundheitssysteme mehr Patientinnen und Patienten testen und schnellere Antworten anstreben, besteht ein starker Druck, von manueller Kontrolle zu digitalen Werkzeugen überzugehen, die große Mengen an Bildern stets nach demselben Standard verarbeiten können.

Ein klareres Fenster auf Bakterien schaffen

Die Autorinnen und Autoren setzten sich zum Ziel, eine Koloniebildsammlung zu erstellen, die viele Mängel älterer Datensätze vermeidet, etwa ungleichmäßige Beleuchtung und geringe Artenzahl. Sie sammelten klinische Stämme von echten Patienten über einen Zeitraum von fast zwei Jahren und deckten 19 wichtige Bakterientypen ab, darunter mehrere, die häufig gegen Antibiotika resistent sind. Für jede Art wählten sie mehrere unterschiedliche Stämme und kultivierten diese auf festen Nährmedien unter eng kontrollierten Bedingungen, wobei sie manchmal 48 Stunden warteten, damit langsam wachsende Stämme ihr typisches Aussehen zeigen. Anschließend nutzten sie eine geschlossene, lichtdichte Aufnahmeeinheit mit einer fixierten Kamera und zwei Lichtquellen – eine, die durch die Platte scheint, und eine, die von oben reflektiert – um scharfe, stabile Bilder jeder Schale zu erfassen.

Platten in Zahlen für Computer verwandeln

Nachdem die Bilder aufgenommen waren, zeichneten geschulte Laborerinnen und Laboranten mit Beschriftungssoftware sorgfältig Rahmen um jede Kolonie. Zwei Gutachter markierten die Kolonien unabhängig voneinander, und ein dritter Experte löste die seltenen Konflikte, sodass die endgültigen Markierungen den tatsächlichen Koloniegrenzen nah kamen. Das Team spiegelte die Bilder außerdem horizontal oder vertikal, um zusätzliche Beispiele zu erzeugen, und passte die Markierungen entsprechend an. Am Ende entstanden 950 Originalbilder und deren gespiegelte Versionen, was 1.900 Bilder mit 118.442 markierten Kolonien ergab. Die Labels werden in mehreren gängigen Dateiformaten gespeichert, sodass verschiedene KI-Werkzeuge dieselben Daten mit geringem Mehraufwand nutzen können.

Den Datensatz auf die Probe stellen

Um zu zeigen, was ihr Datensatz leisten kann, trainierten die Forschenden ein modernes Objekterkennungsmodell, um Kolonien auf den Platten zu finden, und untersuchten, wie verschiedene Arten in einer kompakten Karte von Bildmerkmalen erscheinen. Sie nutzten nur die Originalbilder, teilten diese in Trainings- und Testgruppen auf und wandten gängige Methoden wie Mixing und Masking von Bildteilen während des Trainings an. Auf den zurückgehaltenen Testplatten erreichte das Modell für die meisten der 19 Arten sehr hohe Genauigkeit, mit nur wenigen Problemen bei kleinen oder blassen Kolonien, die im Hintergrund verschwimmen. Als sie aufzeichneten, wie das Modell Kolonien in einer zweidimensionalen Karte gruppiert, bildete jede Art einen klaren Cluster, was zeigt, dass die Bilder starke, unterscheidbare visuelle Hinweise enthalten, die ein Computer lernen kann.

Was das für die Laborarbeit der Zukunft bedeutet

Dieser offene Datensatz bietet einen sauberen, reichhaltigen Ausgangspunkt zum Entwickeln und Prüfen von Werkzeugen, die automatisch Kolonien erkennen und zählen und sogar subtile Merkmale wie Ringe zerstörter roter Blutkörperchen um manche Bakterien unterscheiden können. Obwohl er sich auf einzeln angezüchtete Arten konzentriert und nicht auf die unordentliche Mischung realer Patientenproben, erfasst er die natürliche Vielfalt zwischen Stämmen und zeigt Kolonien unter hochgradig reproduzierbaren Bedingungen. Für interessierte Laien lautet die wichtigste Erkenntnis: Indem Tausende gut beleuchteter Petrischalenbilder in eine gemeinsame Ressource verwandelt werden, erleichtert diese Arbeit vielen Gruppen das Entwickeln und Vergleichen intelligenter Systeme, die eines Tages Krankenhauslabors zuverlässigere und schnellere Ergebnisse bei Infektionsnachweisen liefern könnten.

Zitation: Du, J., Yang, C., Sun, M. et al. High-Resolution Colony Images of Clinically Isolated Bacteria for Automated Detection and Deep Learning. Sci Data 13, 757 (2026). https://doi.org/10.1038/s41597-026-07095-5

Schlüsselwörter: bakterielle Kolonien, Bilddatensatz, automatisierte Erkennung, Deep Learning, klinische Mikrobiologie