Analyse multidimensionnelle des données et classification avec SMIAL

Comprendre des images scientifiques complexes

Les microscopes modernes peuvent capturer des images extrêmement riches de cellules, de tissus et même d’aliments, enregistrant leur fluorescence, leur réflexion ou leurs changements au fil du temps sans ajout de colorants ni d’étiquettes. Ces images contiennent des indices sur les maladies, les effets des médicaments et la qualité des produits, mais sont souvent si complexes que seuls des experts possédant des compétences avancées en programmation peuvent les analyser. Cet article présente SMIAL, un logiciel gratuit qui aide les scientifiques et les cliniciens à transformer ces collections d’images denses en résultats clairs et fiables grâce à l’apprentissage automatique, le tout via une interface conviviale.

Un espace unique pour tout le parcours

SMIAL est conçu comme un espace de travail tout-en-un qui guide les utilisateurs à travers le parcours complet, des images brutes aux décisions finales. Plutôt que de jongler entre plusieurs programmes, les utilisateurs progressent à travers six panneaux qui reflètent la façon dont les scientifiques travaillent généralement : chargement des images, délimitation des objets d’intérêt, nettoyage des données, mesure de nombreuses propriétés, puis construction et validation de modèles prédictifs. Le logiciel accepte une large gamme d’entrées, y compris des images microscopiques colorées sur plusieurs longueurs d’onde, des films en time-lapse, de simples tableaux de mesures et même des modèles prêts à l’emploi. À chaque étape, il enregistre les paramètres choisis afin que d’autres puissent reproduire le travail et comprendre exactement comment les résultats ont été obtenus.

Apprendre à l’ordinateur à repérer les cellules de mélanome

Pour illustrer ce que SMIAL peut faire, les auteurs l’ont d’abord utilisé pour distinguer deux types de cellules de mélanome et des cellules cutanées normales, en se basant uniquement sur leur fluorescence naturelle sous différentes couleurs de lumière. Ils ont importé des piles d’images comportant 29 canaux spectraux, aligné des contours cellulaires dessinés à la main et amélioré la qualité des images par réduction du bruit, suppression de l’arrière-plan et calibration soigneuse de la luminosité. SMIAL a ensuite mesuré plus d’un millier de caractéristiques par cellule, capturant l’intensité de chaque canal, la variation des textures et la morphologie cellulaire. Une étape de nettoyage des données a automatiquement éliminé les traits faibles ou redondants, réduisant la liste à quelques dizaines de caractéristiques informatives. Avec celles-ci, un simple classifieur de régression logistique a correctement séparé les trois types cellulaires avec une grande précision, comme l’ont confirmé de fortes performances et des regroupements clairs de cellules dans les graphiques récapitulatifs.

Observer la réponse des cellules à un médicament au fil du temps

Dans une deuxième étude de cas, SMIAL a suivi la réponse des cellules rétiniennes sur plusieurs jours au roténone, un composé qui perturbe les mitochondries, les centrales énergétiques de la cellule. L’équipe a examiné la fluorescence mitochondriale naturelle à plusieurs instants dans des cellules traitées et non traitées. Après avoir testé différents filtres anti-bruit, ils ont conservé celui qui préservait les détails fins du réseau. SMIAL a mesuré l’intensité, la forme et la texture du réseau mitochondrial et a également calculé l’évolution de ces mesures entre les points temporels. Les mitochondries traitées sont devenues plus brillantes, plus fragmentées et moins circulaires sur 72 heures. Lorsque des caractéristiques temporelles ont été ajoutées au modèle, le logiciel a mieux distingué les cellules traitées des témoins que lorsqu’il se basait uniquement sur des instantanés statiques, soulignant la puissance du suivi des changements plutôt que d’une image unique.

Évaluer la maturité des fruits sans les couper

Le troisième exemple s’est tourné vers le contrôle qualité alimentaire, en utilisant des images hyperspectrales publiques de fruits aux stades non mûr, mûr et trop mûr, chacune enregistrée sur 224 longueurs d’onde. SMIAL a automatiquement délimité chaque fruit en se basant sur le contraste avec l’arrière-plan et a atteint une qualité de segmentation proche de tracés manuels soignés. Il a ensuite extrait des milliers de caractéristiques décrivant la luminosité, la forme et la texture à travers les longueurs d’onde. Si des mesures isolées ne séparaient pas nettement les niveaux de maturité, SMIAL a combiné sélection de caractéristiques, gestion astucieuse des tailles de classes inégales et un classifieur à vecteurs de support pour améliorer la reconnaissance, en particulier pour les fruits mûrs. Cela démontre que le même outil peut traiter des ensembles de données de type médical et des tâches industrielles de contrôle qualité.

Abaisser la barrière de l’analyse d’images intelligente

Dans l’ensemble, l’étude montre que SMIAL peut transformer de grandes collections d’images complexes en modèles de classification fiables pour des problèmes très divers, de la détection de cellules cancéreuses à la réponse aux médicaments et à la maturité des fruits. En encapsulant de nombreuses étapes d’analyse avancées dans une interface graphique claire et en conservant des enregistrements complets des paramètres choisis, il permet à des chercheurs non experts en programmation de construire, partager et reproduire des flux de travail d’apprentissage automatique sophistiqués. Concrètement, cela signifie que davantage de laboratoires peuvent extraire des informations utiles de l’imagerie sans marqueur, contribuant à accélérer les progrès en diagnostics, suivi des traitements et tests qualité non invasifs.

Citation: 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

Mots-clés: imagerie sans marqueur, microscopie multispectrale, logiciel d’apprentissage automatique, classification basée sur l’image, imagerie hyperspectrale