ניתוח מרובה־ממדים של נתונים ומיון באמצעות SMIAL

למצוא סדר בתמונות מדעיות מורכבות

מיקרוסקופים מודרניים מסוגלים ללכוד תמונות עשירות מאוד של תאים, רקמות ואפילו מזון, תוך תיעוד של האופן שבו הם זוהרים, מחזירים אור או משתנים לאורך זמן מבלי להוסיף צבעים או תיוגים. תמונות אלה מכילות רמזים על מחלות, השפעות של תרופות ואיכות מוצרים, אך הן לעתים קרובות כל כך מורכבות שאנשי מקצוע עם מיומנויות תכנות מתקדמות בלבד יכולים לנתח אותן. מאמר זה מציג את SMIAL, כלי תוכנה חינמי שעוזר למדענים ולקלינאים להפוך אוספי תמונות צפופים אלה לתוצאות ברורות ומהימנות באמצעות למידת מכונה, והכל דרך ממשק ידידותי למשתמש.

מקום אחד לכל המסע

SMIAL מעוצב כמרחב עבודה אחד שמנחה את המשתמשים לאורך כל המסע מתמונות גולמיות ועד החלטות סופיות. במקום לנהל כמה תוכניות שונות, המשתמשים עוברים שישה לוחות שמשקפים את הדרך בה מדענים בדרך כלל פועלים: טעינת תמונות, סימון עצמים רלוונטיים, ניקוי נתונים, מדידת תכונות רבות ולבסוף בנייה ובדיקת מודלים לניבוי. התוכנה מקבלת מגוון רחב של קלטים, כולל תמונות מיקרוסקופ צבעוניות על פני אורכי גל רבים, סרטוני טיימלפס, טבלאות מדידה פשוטות ואפילו מודלים מוכנים. בכל שלב נשמרות ההגדרות הנבחרות כך שאחרים יוכלו לשכפל את העבודה ולהבין בדיוק כיצד נוצרו התוצאות.

ללמד את המחשב לזהות תאי מלנומה

כדי להדגים מה SMIAL יכול לעשות, המחברים השתמשו בו תחילה כדי להבחין בין שני סוגים של תאי מלנומה ותאי עור נורמליים, תוך שימוש אך ורק בזוהר הטבעי שלהם תחת צבעי אור שונים. הם טעינו מחסניות תמונה עם 29 ערוצי ספקטרום, יישרו קווי מתאר של תאים שנשרטטו ידנית ושיפרו את איכות התמונה באמצעות הפחתת רעש, הסרת רקע וכיול בהירות זהיר. SMIAL מדד לאחר מכן יותר מאלף תכונות לכל תא, שתיארו עד כמה כל ערוץ מואר, כיצד מהווים הטקסטורות ומה צורת התאים. שלב ניקוי הנתונים הסיר באופן אוטומטי תכונות חלשות או חופפות, וקיצר את הרשימה לכמה עשרות אינפורמטיביות. באמצעות אלה, מסווג רגרסיה לוגיסטית פשוט הפריד נכון בין שלושת סוגי התאים בדיוק גבוה, כמו שאושש על ידי ציוני ביצוע חזקים ואשכולות ברורות של תאים בגרפים מסכמים.

מעקב אחר תגובת תאים לתרופה לאורך זמן

במקרה בוחן שני, SMIAL עקב אחרי תגובת תאי הרשתית לאורך ימים לנחשול rotenone, כימיקל שמלחיץ את המיטוכונדריה — תחנות האנרגיה של התא. הצוות בחן את הזוהר המיטוכונדריאלי הטבעי במספר נקודות זמן בתאים מטופלים ולא מטופלים. לאחר שבחנו מסנני רעש שונים, שמרו על זה ששמר על פרטי רשת עדינים. SMIAL מדד עוצמה, צורה ומרקם של רשת המיטוכונדריה וחישב גם כיצד מדדים אלה השתנו בין נקודות זמן. המיטוכונדריות המטופלות הפכו למוארים יותר, מפורקים יותר ופחות עגולים בתוך 72 שעות. כאשר תכונות מבוססות זמן נוספו למודל, התוכנה יכלה להבחין טוב יותר בין תאים מטופלים לביקורת מאשר בהסתמכות על תמונות סטטיות בלבד, מה שמדגיש את כוח המעקב אחר שינויים במקום הסתמכות על תמונה יחידה.

להעריך בשלות פרי מבלי לחתוך אותו

הדוגמה השלישית הפנתה את המיקוד לאיכות מזון, באמצעות תמונות היפרספקטרליות ציבוריות של פרי בשלבים של לא בשל, בשל ומושחם, כל אחת מוקלטת ב־224 אורכי גל. SMIAL סימן אוטומטית כל פרי על בסיס ניגודיות לרקע והשיג איכות סגמנטציה קרובה לציור ידני מדוקדק. לאחר מכן חילץ אלפי תכונות המתארות בהירות, צורה ומרקם לאורך אורכי הגל. בעוד שמדידות בודדות לא הפרידו באופן נקי בין רמות הבשלות, SMIAL שילב בחירת תכונות, טיפול חכם בגדלים לא שוויוניים של מחלקות ומסווג SVM כדי לשפר את הזיהוי, במיוחד לפרי בשל. זה מדגים שכלי זה יכול לטפל גם במערכי נתונים בסגנון רפואי וגם במשימות בקרת איכות תעשייתיות.

הפחתת המחסום לניתוח תמונה חכם

בסך הכל, המחקר מראה כי SMIAL יכול להפוך אוספי תמונות גדולים ומורכבים למודלי סיווג מהימנים עבור בעיות שונות מאוד, מזיהוי תאי סרטן ועד תגובת תרופות ובשלות פירות. על ידי עטיפת שלבים רבים של ניתוח מתקדם בממשק גרפי ברור ושמירת רישום מלא של ההגדרות שנבחרו, הוא מאפשר לחוקרים שאינם מומחי תכנות לבנות, לשתף ולשכפל זרמי עבודה מתקדמים של למידת מכונה. במונחים מעשיים, משמעות הדבר היא שיותר מעבדות יוכלו להפיק תובנות שימושיות מהדמיה ללא תיוג, ובכך לסייע להאצת התקדמות באבחון, במעקב טיפולי ובבדיקות איכות שאינן פולשניות.

ציטוט: 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

מילות מפתח: הדמיה ללא תיוג, מיקרוסקופיה רב־ספקטרלית, תוכנת למידת מכונה, מיון מבוסס תמונה, הדמיה היפרספקטרלית