Análisis y clasificación de datos multidimensionales usando SMIAL

Entender imágenes científicas complejas

Los microscopios modernos pueden capturar imágenes extraordinariamente ricas de células, tejidos e incluso alimentos, registrando cómo brillan, reflejan o cambian con el tiempo sin añadir tintes ni marcadores. Estas imágenes contienen pistas sobre enfermedades, efectos de fármacos y calidad de productos, pero a menudo son tan complejas que solo expertos con habilidades avanzadas de programación pueden analizarlas. Este artículo presenta SMIAL, una herramienta de software gratuita que ayuda a científicos y clínicos a convertir estas densas colecciones de imágenes en resultados claros y fiables mediante aprendizaje automático, todo a través de una interfaz fácil de usar.

Un único lugar para todo el proceso

SMIAL está diseñado como un espacio de trabajo integral que guía a los usuarios a lo largo del recorrido completo desde las imágenes crudas hasta las decisiones finales. En lugar de manejar varios programas, los usuarios avanzan por seis paneles que reflejan cómo trabajan habitualmente los científicos: carga de imágenes, delineado de objetos de interés, limpieza de datos, medición de múltiples propiedades y, finalmente, construcción y comprobación de modelos predictivos. El software acepta una amplia gama de entradas, incluidas imágenes microscópicas coloreadas en múltiples longitudes de onda, películas en lapso de tiempo, tablas de mediciones simples e incluso modelos ya entrenados. En cada paso guarda los ajustes elegidos para que otros puedan repetir el trabajo y comprender exactamente cómo se produjeron los resultados.

Enseñar al ordenador a reconocer células de melanoma

Para mostrar lo que SMIAL puede hacer, los autores lo usaron primero para distinguir entre dos tipos de células de melanoma y células cutáneas normales, empleando solo su luminiscencia natural bajo diferentes colores de luz. Cargaron pilas de imágenes con 29 canales espectrales, alinearon contornos de células dibujados a mano y mejoraron la calidad de imagen con reducción de ruido, eliminación de fondo y calibración cuidadosa del brillo. SMIAL midió entonces más de mil rasgos por célula, capturando la intensidad en cada canal, variaciones de textura y la forma de las células. Un paso de limpieza de datos eliminó automáticamente rasgos débiles o solapados, reduciendo la lista a unas pocas docenas informativas. Con estas, un clasificador de regresión logística simple separó correctamente los tres tipos celulares con alta precisión, como lo confirmaron puntuaciones de rendimiento sólidas y agrupaciones claras de células en los gráficos resumen.

Observar cómo responden las células a un fármaco en el tiempo

En un segundo estudio de caso, SMIAL siguió cómo las células de la retina respondieron durante días al rotenona, un químico que estresa las mitocondrias, los productores de energía celular. El equipo examinó la luminiscencia mitocondrial natural en varios puntos temporales en células tratadas y no tratadas. Tras probar diferentes filtros de ruido, conservaron el que preservaba los detalles finos de la red. SMIAL midió la intensidad, la forma y la textura de la red mitocondrial y también calculó cómo cambiaban esas medidas entre puntos temporales. Las mitocondrias tratadas se volvieron más brillantes, más fragmentadas y menos circulares en 72 horas. Cuando se añadieron características basadas en el tiempo al modelo, el software pudo distinguir mejor las células tratadas de las de control que recurriendo solo a instantáneas estáticas, lo que subraya la ventaja de seguir los cambios en lugar de basarse en una sola imagen.

Valorar la madurez de la fruta sin cortarla

El tercer ejemplo se centró en la calidad alimentaria, usando imágenes hiperespectrales públicas de frutas en etapas verde, madura y sobremadura, cada una registrada en 224 longitudes de onda. SMIAL delineó automáticamente cada fruta en función del contraste con el fondo y alcanzó una calidad de segmentación cercana a dibujos manuales cuidadosos. Luego extrajo miles de características que describían brillo, forma y textura a lo largo de las longitudes de onda. Si bien medidas aisladas no separaron con claridad los niveles de madurez, SMIAL combinó selección de características, manejo inteligente de clases desiguales y un clasificador de máquinas de vectores de soporte para mejorar el reconocimiento, particularmente de la fruta madura. Esto demuestra que la misma herramienta puede abordar tanto conjuntos de datos de estilo médico como tareas de control de calidad industrial.

Bajar la barrera para el análisis inteligente de imágenes

En conjunto, el estudio muestra que SMIAL puede convertir grandes y complejas colecciones de imágenes en modelos de clasificación fiables para problemas muy distintos, desde detección de células cancerosas hasta respuesta a fármacos y madurez de fruta. Al envolver muchos pasos avanzados de análisis en una interfaz gráfica clara y conservar registros completos de los ajustes elegidos, permite a investigadores que no son expertos en programación construir, compartir y repetir flujos de trabajo sofisticados de aprendizaje automático. En términos prácticos, esto significa que más laboratorios pueden extraer información útil de imágenes sin marcaje, contribuyendo a acelerar el progreso en diagnóstico, monitorización de tratamientos y pruebas de calidad no invasivas.

Cita: 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

Palabras clave: imágenes sin marcaje, microscopía multiespectral, software de aprendizaje automático, clasificación basada en imágenes, imágenes hiperespectrales