Multidimensionale Datenanalyse und Klassifizierung mit SMIAL

Komplexe wissenschaftliche Bilder verständlich machen

Moderne Mikroskope können unglaublich reichhaltige Aufnahmen von Zellen, Geweben und sogar Lebensmitteln erstellen und dabei zeigen, wie sie leuchten, reflektieren oder sich im Laufe der Zeit verändern – ganz ohne Farbstoffe oder Marker. Diese Bilder enthalten Hinweise auf Krankheiten, Medikamentenwirkungen und Produktqualität, sind aber oft so komplex, dass nur Expertinnen und Experten mit fortgeschrittenen Programmierkenntnissen sie analysieren können. Dieser Artikel stellt SMIAL vor, ein kostenloses Softwarewerkzeug, das Wissenschaftlern und Klinikerinnen hilft, diese dichten Bildsammlungen mithilfe von maschinellem Lernen durch eine benutzerfreundliche Oberfläche in klare, verlässliche Ergebnisse zu überführen.

Ein einziger Ort für den gesamten Ablauf

SMIAL ist als zentrale Arbeitsumgebung konzipiert, die Nutzerinnen und Nutzer durch die gesamte Reise von Rohbildern zu endgültigen Entscheidungen leitet. Anstatt mehrere Programme zu verwenden, arbeitet man sich durch sechs Bereiche, die dem typischen Forschungsablauf entsprechen: Bilder laden, Objekte von Interesse markieren, Daten bereinigen, viele Eigenschaften messen und schließlich Vorhersagemodelle erstellen und prüfen. Die Software akzeptiert eine breite Palette von Eingaben, darunter farbige Mikroskopbilder über viele Wellenlängen, Zeitrafferfilme, einfache Messtabellen und sogar fertige Modelle. In jedem Schritt speichert sie die gewählten Einstellungen, sodass andere die Arbeit wiederholen und genau nachvollziehen können, wie die Ergebnisse entstanden sind.

Dem Computer beibringen, Melanomzellen zu erkennen

Um zu zeigen, was SMIAL leisten kann, nutzten die Autorinnen und Autoren das Programm zunächst, um zwischen zwei Typen von Melanomzellen und normalen Hautzellen zu unterscheiden – allein anhand ihres natürlichen Leuchtens unter verschiedenen Lichtfarben. Sie luden Bildstapel mit 29 Spektralkanälen, passten handgezeichnete Zellumrisse an und verbesserten die Bildqualität durch Rauschverminderung, Hintergrundentfernung und sorgfältige Helligkeitskalibrierung. SMIAL maß anschließend mehr als tausend Merkmale pro Zelle, erfasste die Helligkeit jeder Bande, Texturunterschiede und Zellformen. Ein Datenbereinigungsschritt entfernte automatisch schwache oder überlappende Merkmale und verkleinerte die Liste auf einige Dutzend aussagekräftige Merkmale. Mit diesen trennte ein einfaches logistisches Regressionsmodell die drei Zelltypen korrekt mit hoher Genauigkeit, bestätigt durch starke Leistungskennzahlen und klar abgegrenzte Zellcluster in Übersichtsdiagrammen.

Zellen im Zeitverlauf auf Medikamentenreaktion beobachten

In einer zweiten Fallstudie verfolgte SMIAL, wie Netzhaut-Zellen über mehrere Tage auf Rotenon reagierten, eine Substanz, die die Mitochondrien – die Energielieferanten der Zelle – belastet. Das Team untersuchte das natürliche Mitochondrienleuchten zu mehreren Zeitpunkten in behandelten und unbehandelten Zellen. Nach dem Testen verschiedener Rauschfilter wählten sie denjenigen, der feine Netzwerkdetails bewahrte. SMIAL maß Intensität, Form und Textur des mitochondrialen Netzes und berechnete außerdem, wie sich diese Messwerte zwischen Zeitpunkten veränderten. Behandelte Mitochondrien wurden über 72 Stunden heller, stärker fragmentiert und weniger rund. Als zeitbasierte Merkmale zum Modell hinzugefügt wurden, konnte die Software behandelte und Kontrollzellen besser unterscheiden als mit statischen Momentaufnahmen allein – ein Hinweis auf die Stärke, Veränderungen im Zeitverlauf statt einzelner Bilder zu verfolgen.

Den Reifegrad von Früchten beurteilen, ohne sie aufzuschneiden

Das dritte Beispiel widmete sich der Lebensmittelqualität und nutzte öffentliche hyperspektrale Bilder von Früchten in unreifem, reifem und überreifem Zustand, jeweils in 224 Wellenlängen aufgenommen. SMIAL umriss jede Frucht automatisch anhand des Kontrasts zum Hintergrund und erreichte dabei Segmentierungsqualität, die nahe an sorgfältige manuelle Zeichnungen heranreicht. Anschließend extrahierte die Software tausende Merkmale, die Helligkeit, Form und Textur über die Wellenlängen beschreiben. Während einzelne Messwerte die Reifestufen nicht sauber trennten, kombinierte SMIAL Merkmalsauswahl, geschickten Umgang mit ungleichen Klassen und einen Support-Vektor-Maschinen-Klassifikator, um die Erkennung zu verbessern – insbesondere für reife Früchte. Das zeigt, dass dasselbe Werkzeug sowohl medizinische Datensätze als auch industrielle Qualitätskontrollen bewältigen kann.

Die Hürde für intelligente Bildanalyse senken

Insgesamt zeigt die Studie, dass SMIAL große, komplexe Bildsammlungen in verlässliche Klassifikationsmodelle für sehr unterschiedliche Probleme verwandeln kann – von der Erkennung von Krebszellen über die Überwachung von Medikamentenreaktionen bis hin zur Früchte-Reifebestimmung. Indem viele fortgeschrittene Analyse-Schritte in einer klaren grafischen Oberfläche gebündelt und vollständige Aufzeichnungen der gewählten Einstellungen erhalten werden, ermöglicht es Forscherinnen und Forschern ohne Programmierexpertise, anspruchsvolle maschinelle Lern-Workflows zu erstellen, zu teilen und zu reproduzieren. Praktisch bedeutet das, dass mehr Labore nützliche Erkenntnisse aus labelfreier Bildgebung ziehen können, was den Fortschritt in Diagnostik, Überwachung von Therapien und nicht-invasiven Qualitätsprüfungen beschleunigt.

Zitation: Knab, A., Handley, S., Xu, X. et al. Multidimensional data analysis and classification using SMIAL. Commun Biol 9, 650 (2026). https://doi.org/10.1038/s42003-026-09630-x

Schlüsselwörter: labelfreie Bildgebung, multispektrale Mikroskopie, Maschinelles Lernsoftware, bildbasierte Klassifizierung, hyperspektrale Bildgebung