Wielowymiarowa analiza danych i klasyfikacja z użyciem SMIAL

Rozumienie skomplikowanych obrazów naukowych

Nowoczesne mikroskopy potrafią rejestrować niezwykle bogate obrazy komórek, tkanek, a nawet żywności, pokazując jak emitują światło, odbijają je lub zmieniają się w czasie bez dodawania barwników czy znaczników. Te obrazy zawierają wskazówki dotyczące chorób, działania leków i jakości produktów, ale są często tak złożone, że analizować je potrafią jedynie eksperci z zaawansowanymi umiejętnościami programistycznymi. W artykule przedstawiono SMIAL — bezpłatne narzędzie, które pomaga naukowcom i klinicystom zamienić te obszerne zbiory obrazów w przejrzyste i wiarygodne wyniki przy użyciu uczenia maszynowego, wszystko przez przyjazny interfejs użytkownika.

Jedno miejsce na całą drogę analizy

SMIAL zaprojektowano jako kompleksowe środowisko pracy, które prowadzi użytkownika przez cały proces od surowych obrazów do ostatecznych decyzji. Zamiast korzystać z wielu programów, użytkownicy przechodzą przez sześć paneli odzwierciedlających typowy przebieg pracy naukowca: wczytywanie obrazów, obrysowywanie obiektów zainteresowania, oczyszczanie danych, mierzenie wielu właściwości oraz budowanie i weryfikacja modeli predykcyjnych. Oprogramowanie przyjmuje szeroki zakres danych wejściowych, w tym kolorowe obrazy mikroskopowe w wielu długościach fal, filmy poklatkowe, proste tabele pomiarowe, a nawet gotowe modele. Na każdym etapie zapisuje wybrane ustawienia, aby inni mogli powtórzyć analizę i dokładnie zrozumieć, jak uzyskano wyniki.

Nauczanie komputera rozpoznawania komórek czerniaka

Aby pokazać możliwości SMIAL, autorzy najpierw użyli go do rozróżnienia dwóch typów komórek czerniaka i normalnych komórek skóry, korzystając tylko z ich naturalnej emisji światła przy różnych kolorach. Wczytali stosy obrazów z 29 kanałami spektralnymi, wyrównali ręcznie narysowane obrysy komórek i poprawili jakość obrazów poprzez redukcję szumu, usuwanie tła i staranną kalibrację jasności. SMIAL następnie zmierzył ponad tysiąc cech na komórkę, rejestrując jasność w każdym kanale, zmienność tekstur i kształty komórek. Krok oczyszczania danych automatycznie usunął słabe lub nakładające się cechy, redukując listę do kilkudziesięciu informatywnych. Przy ich użyciu prosty klasyfikator regresji logistycznej poprawnie rozdzielił trzy typy komórek z wysoką dokładnością, potwierdzoną silnymi wynikami i wyraźnymi klastrami komórek na wykresach podsumowujących.

Obserwacja reakcji komórek na lek w czasie

W drugim studium przypadku SMIAL śledził, jak komórki siatkówki reagowały przez kilka dni na rotenon, substancję, która obciąża mitochondria — producentów energii komórkowej. Zespół badał naturalną emisję mitochondrialną w kilku punktach czasowych w komórkach traktowanych i kontrolnych. Po przetestowaniu różnych filtrów szumów wybrano ten, który zachowywał drobne szczegóły sieci mitochondrialnej. SMIAL mierzył intensywność, kształt i teksturę tej sieci oraz obliczał zmiany tych miar między punktami czasowymi. Mitochondria w komórkach traktowanych stały się jaśniejsze, bardziej pofragmentowane i mniej okrągłe w ciągu 72 godzin. Po dodaniu cech zależnych od czasu model lepiej rozróżniał komórki traktowane od kontrolnych niż przy użyciu samych statycznych obrazów, co podkreśla siłę śledzenia zmian zamiast opierania się na pojedynczych klatkach.

Ocena dojrzałości owoców bez krojenia

Trzeci przykład dotyczył jakości żywności, wykorzystując publicznie dostępne obrazy hiperspektralne owoców w stadiach niedojrzałości, dojrzałości i przerośnięcia, każdy zarejestrowany w 224 długościach fali. SMIAL automatycznie obrysował każdy owoc na podstawie kontrastu z tłem i uzyskał jakość segmentacji zbliżoną do starannych ręcznych rysunków. Następnie wyekstrahował tysiące cech opisujących jasność, kształt i teksturę w różnych długościach fal. Pojedyncze pomiary nie rozdzielały czysto poziomów dojrzałości, ale SMIAL połączył selekcję cech, sprytne radzenie sobie z nierównymi rozmiarami klas i klasyfikator SVM, co poprawiło rozpoznawanie, szczególnie owoców dojrzałych. Pokazuje to, że to samo narzędzie radzi sobie zarówno z danymi w stylu medycznym, jak i z zadaniami kontroli jakości w przemyśle.

Obniżanie progu do zaawansowanej analizy obrazów

Podsumowując, badanie pokazuje, że SMIAL potrafi zamienić duże, złożone zbiory obrazów w wiarygodne modele klasyfikacyjne dla bardzo różnych problemów — od wykrywania komórek nowotworowych, przez monitorowanie odpowiedzi na leki, po ocenę dojrzałości owoców. Opakowując wiele zaawansowanych kroków analitycznych w przejrzysty interfejs graficzny i zachowując pełne zapisy wybranych ustawień, umożliwia badaczom niebędącym ekspertami programistycznymi budowanie, udostępnianie i powtarzanie złożonych przepływów pracy uczenia maszynowego. W praktyce oznacza to, że więcej laboratoriów może wydobywać użyteczne informacje z obrazowania bez znakowania, przyspieszając postęp w diagnostyce, monitorowaniu leczenia i nieniszczących testach jakości.

Cytowanie: 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

Słowa kluczowe: obrazowanie bez znakowania, mikroskopia wielospektralna, oprogramowanie uczenia maszynowego, klasyfikacja oparta na obrazach, obrazowanie hiperspektralne