Analisi multidimensionale dei dati e classificazione con SMIAL

Dare senso a immagini scientifiche complesse

I microscopi moderni possono catturare immagini incredibilmente ricche di celle, tessuti e persino alimenti, registrando come emettono luce, riflettono o cambiano nel tempo senza aggiungere coloranti o marcatori. Queste immagini contengono indizi su malattie, effetti dei farmaci e qualità del prodotto, ma sono spesso così complesse che solo esperti con competenze avanzate di programmazione riescono ad analizzarle. Questo articolo presenta SMIAL, uno strumento software gratuito che aiuta scienziati e clinici a trasformare queste collezioni di immagini dense in risultati chiari e affidabili utilizzando il machine learning, il tutto tramite un'interfaccia facile da usare.

Un unico posto per l'intero percorso

SMIAL è pensato come un ambiente unico che guida gli utenti attraverso l'intero percorso dalle immagini grezze alle decisioni finali. Invece di gestire più programmi, gli utenti progrediscono attraverso sei pannelli che rispecchiano il modo tipico di lavorare degli scienziati: caricamento delle immagini, delineazione degli oggetti d'interesse, pulizia dei dati, misurazione di molte proprietà e infine costruzione e verifica dei modelli predittivi. Il software accetta una vasta gamma di input, incluse immagini microscopiche a colori su molte lunghezze d'onda, filmati time-lapse, semplici tabelle di misurazione e persino modelli già pronti. A ogni passaggio salva le impostazioni scelte in modo che altri possano ripetere il lavoro e comprendere esattamente come sono stati ottenuti i risultati.

Insegnare al computer a riconoscere le cellule di melanoma

Per mostrare cosa può fare SMIAL, gli autori lo hanno usato per distinguere due tipi di cellule di melanoma da cellule della pelle normali, utilizzando solo il loro bagliore naturale sotto diversi colori di luce. Hanno caricato stack di immagini con 29 canali spettrali, allineato contorni cellulari disegnati a mano e migliorato la qualità delle immagini con riduzione del rumore, rimozione dello sfondo e calibrazione accurata della luminosità. SMIAL ha quindi misurato più di mille caratteristiche per cellula, catturando quanto fosse luminosa ogni canale, come variavano le trame e qual era la forma delle cellule. Un passaggio di pulizia dei dati ha rimosso automaticamente caratteristiche deboli o sovrapposte, riducendo la lista a poche dozzine informative. Con queste, un semplice classificatore di regressione logistica ha separato correttamente i tre tipi cellulari con alta accuratezza, confermata da forti punteggi di performance e da chiari raggruppamenti di cellule nei grafici riassuntivi.

Osservare la risposta delle cellule a un farmaco nel tempo

In un secondo caso di studio, SMIAL ha monitorato come le cellule retiniche rispondevano nel corso di giorni al rotenone, una sostanza che stressa i mitocondri, i produttori di energia della cellula. Il team ha esaminato il bagliore mitocondriale naturale a vari punti nel tempo in cellule trattate e non trattate. Dopo aver testato diversi filtri anti-rumore, ha mantenuto quello che preservava i dettagli fini della rete. SMIAL ha misurato intensità, forma e texture della rete mitocondriale e ha anche calcolato come queste misure cambiassero tra i punti temporali. I mitocondri trattati sono diventati più luminosi, più frammentati e meno circolari nel corso di 72 ore. Quando alle misure statiche sono state aggiunte caratteristiche basate sul tempo, il software ha potuto distinguere meglio le cellule trattate da quelle di controllo rispetto all'uso di singoli istantanee, evidenziando il valore di seguire i cambiamenti nel tempo invece di immagini isolate.

Valutare la maturazione della frutta senza tagliarla

Il terzo esempio ha riguardato la qualità degli alimenti, usando immagini iperspettrali pubbliche di frutta a stati acerbo, maturo e troppo maturo, ciascuna registrata su 224 lunghezze d'onda. SMIAL ha automaticamente delineato ogni frutto basandosi sul contrasto con lo sfondo e ha raggiunto una qualità di segmentazione vicina a disegni manuali accurati. Ha poi estratto migliaia di caratteristiche che descrivono luminosità, forma e texture attraverso le lunghezze d'onda. Sebbene singole misurazioni non separassero nettamente i livelli di maturazione, SMIAL ha combinato selezione delle caratteristiche, gestione intelligente di classi di dimensioni diseguali e un classificatore support vector machine per migliorare il riconoscimento, in particolare per la frutta matura. Questo dimostra che lo stesso strumento può gestire sia set di dati in ambito medico sia compiti industriali di controllo qualità.

Abbassare la barriera per l'analisi intelligente delle immagini

Nel complesso, lo studio mostra che SMIAL può trasformare grandi e complesse collezioni di immagini in modelli di classificazione affidabili per problemi molto diversi, dalla rilevazione di cellule tumorali alla risposta ai farmaci e alla maturazione della frutta. Racchiudendo molti passaggi di analisi avanzata in un'interfaccia grafica chiara e preservando registrazioni complete delle impostazioni scelte, permette a ricercatori non esperti di programmazione di costruire, condividere e ripetere flussi di lavoro di machine learning sofisticati. In termini pratici, ciò significa che più laboratori possono estrarre intuizioni utili dall'imaging senza marcatori, contribuendo ad accelerare i progressi nella diagnostica, nel monitoraggio dei trattamenti e nei test di qualità non invasivi.

Citazione: 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

Parole chiave: image senza marcatori, microscopia multispettrale, software di machine learning, classificazione basata su immagini, imaging iperspettrale