Новая сверточная нейронная сеть для идентификации бактерий в данных конфокальной микроскопии

Почему важно быстрее обнаруживать микроорганизмы

Когда врачи пытаются выяснить, какие бактерии вызывают инфекцию, время имеет решающее значение. Традиционные лабораторные тесты могут занимать много часов или даже дней и требуют высококвалифицированных специалистов для визуального анализа микроскопических изображений. В этом исследовании представлена новая система компьютерного зрения под названием CM-Net, которая может автоматически «читать» специализированные микроскопические изображения и быстро различать два распространённых, медицински значимых вида бактерий, одновременно распознавая, какие клетки живые, а какие мёртвые. Работа указывает путь к более быстрым и надёжным методам диагностики, которые в будущем могли бы применяться в больницах и научных лабораториях по всему миру.

Преобразование светящихся микробов в информативные изображения

Исследователи использовали мощный метод визуализации — конфокальную лазерную сканирующую микроскопию. Проще говоря, этот микроскоп использует сфокусированный лазер и флуоресцентные красители, чтобы бактерии светились разными цветами в зависимости от того, живы они или мертвы. Живые клетки проявляются зелёными, а мёртвые — красными. Сканы по очень тонким слоям позволяют микроскопу строить чёткие, детализированные изображения бактерий на стеклах. Команда работала с двумя хорошо изученными видами, часто вызывающими внутрибольничные инфекции: палочковидной Escherichia coli и округлой Staphylococcus aureus. Эти высококачественные изображения становятся исходным материалом, который CM-Net должен научиться анализировать.

Разрезая большие изображения на множество маленьких плиток

Хотя каждое конфокальное изображение богато деталями, оно также очень большое — примерно 3000 на 3000 пикселей. Обучение модели непосредственно на таких огромных изображениях было бы медленным и требовало бы чрезмерных вычислительных ресурсов. Чтобы решить эту проблему, команда разрезала каждое большое изображение на множество более мелких квадратных плиток размером 224 на 224 пикселя, что является стандартным размером в анализе изображений. Этот процесс, называемый увеличением данных, снижает техническую нагрузку и увеличивает число обучающих примеров. Из первоначального набора по 300 изображений для каждого типа бактерий они сгенерировали в общей сложности 7066 плиток. Эти плитки захватывают локальные паттерны форм, цветов и текстур из разных областей препаратов, обеспечивая модели разнообразный и сбалансированный набор примеров для обучения.

Как цифровой наблюдатель учится «видеть»

CM-Net — это тщательно спроектированная модель глубокого обучения, созданная специально для микроскопии бактерий, а не адаптированная от общих фотоколлекций. Она представляет собой вариант сверточной нейронной сети, класса программ, отлично обнаруживающих паттерны на изображениях. CM-Net обрабатывает каждую плитку через серию стадий. Ранние этапы ищут простые визуальные признаки, такие как края и пятна; более глубокие этапы объединяют их в более сложные шаблоны, которые позволяют отличать палочки от шариков и живые клетки от мёртвых. Сеть использует такие приёмы, как пакетная нормализация, которая удерживает внутренние сигналы в стабильном состоянии, и усечённый вариант функции активации, предотвращающий чрезмерные отклики, способные дестабилизировать обучение. Более поздние слои конденсируют извлечённую информацию и принимают окончательное решение о типе бактерий и состоянии клетки.

Лучше популярных готовых моделей

Чтобы оценить эффективность CM-Net, авторы обучали и тестировали её 30 раз, каждый раз используя новую разбивку данных на обучающую и тестовую группы. Они измеряли точность (как часто модель права в целом), чувствительность (насколько хорошо она обнаруживает целевые объекты), специфичность (насколько хорошо избегает ложных срабатываний) и несколько других стандартных метрик. CM-Net показала в среднем около 96% точности, при этом чувствительность и специфичность также составили примерно 96%, с хорошим балансом между двумя классами. Она также требовала меньше внутренних параметров и памяти по сравнению с несколькими широко используемыми предобученными моделями, включая GoogLeNet, MobileNetV2, ResNet18 и ShuffleNet, при этом работая быстрее. Инструменты визуализации показали, что CM-Net фокусируется на самих бактериальных телах на изображениях, а не на случайных фоновых особенностях, что подтверждает идею о том, что модель изучает биологически значимые признаки.

Что это значит для будущей лабораторной работы

Проще говоря, исследование демонстрирует, что специально разработанная система глубокого обучения может научиться «читать» сложные микроскопические изображения бактерий точно, эффективно и в соответствии с тем, на что обращают внимание человеческие эксперты. На данный момент CM-Net обучена лишь на двух видах бактерий и на данных одного типа микроскопа, поэтому необходимы дополнительные исследования, прежде чем её можно будет использовать в качестве универсального диагностического инструмента. Авторы планируют расширить её на большее число видов, различные состояния клеток и более крупные, разнообразные наборы данных. Тем не менее результаты позволяют предположить, что системы вроде CM-Net в конечном счёте могли бы помочь лабораториям быстрее идентифицировать инфекции, направлять решения по лечению и открыть автоматизированный анализ микробиологических экспериментов для пользователей без специализированных навыков в визуализации.

Цитирование: Al-Jumaili, A., Al-Jumaili, S., Alyassri, S. et al. Novel convolutional neural network for bacterial identification of confocal microscopic datasets. Sci Rep 16, 8123 (2026). https://doi.org/10.1038/s41598-026-38861-5

Ключевые слова: классификация изображений бактерий, конфокальная микроскопия, глубокое обучение, сверточные нейронные сети, медицинская диагностика