Многомерный анализ данных и классификация с помощью SMIAL

Понимание сложных научных изображений

Современные микроскопы способны фиксировать чрезвычайно информативные изображения клеток, тканей и даже пищевых продуктов, регистрируя их свечение, отражение или динамику во времени без применения красителей и меток. В этих изображениях скрыты подсказки о заболеваниях, действии препаратов и качестве продукции, но они часто настолько сложны, что их могут анализировать только специалисты с продвинутыми навыками программирования. В этой статье представлен SMIAL — бесплатный программный инструмент, который помогает учёным и клиницистам превращать эти объёмные наборы изображений в ясные и надёжные результаты с помощью машинного обучения, предоставляя удобный пользовательский интерфейс.

Единое место для всего рабочего процесса

SMIAL спроектирован как единое рабочее пространство, которое проводит пользователя через полный путь от исходных изображений до итоговых решений. Вместо того чтобы использовать несколько программ, пользователи проходят через шесть панелей, которые отражают типичный рабочий процесс учёных: загрузка изображений, выделение объектов интереса, очистка данных, измерение множества свойств и, наконец, построение и проверка моделей прогнозирования. Программа принимает широкий спектр входных данных, включая цветные микроскопические изображения по множеству длин волн, таймлапсы, простые таблицы измерений и даже готовые модели. На каждом шаге сохраняются выбранные настройки, чтобы другие могли воспроизвести работу и точно понять, как были получены результаты.

Обучение компьютера распознавать клетки меланомы

Чтобы продемонстрировать возможности SMIAL, авторы сначала использовали его для различения двух типов клеток меланомы и нормальных клеток кожи, опираясь только на их естественное свечение при различном освещении. Они загрузили стеки изображений с 29 спектральными каналами, согласовали вручную очерченные контуры клеток и улучшили качество изображений с помощью подавления шума, удаления фона и аккуратной калибровки яркости. SMIAL затем измерил более тысячи признаков на каждую клетку, фиксируя яркость в каждом канале, вариации текстур и форму клеток. Шаг очистки данных автоматически удалил слабые или перекрывающиеся признаки, сократив список до нескольких десятков информативных. С помощью этих признаков простой логистический регрессор корректно разделил три типа клеток с высокой точностью, что подтвердили сильные показатели качества и чёткие кластеры клеток на итоговых графиках.

Наблюдение за реакцией клеток на препарат во времени

Во втором примере SMIAL отслеживал, как сетчаточные клетки реагируют в течение нескольких дней на ротенон — химическое вещество, вызывающее стресс митохондрий, энергетических центров клетки. Команда изучала естественное свечение митохондрий в разные моменты времени для обработанных и контрольных клеток. Протестировав различные фильтры шума, они выбрали тот, который сохранял тонкие детали сетки. SMIAL измерял интенсивность, форму и текстуру митохондриальной сети, а также вычислял изменения этих показателей между временными точками. В обработанных клетках митохондрии становились ярче, более фрагментированными и менее круглыми в течение 72 часов. После добавления временных признаков в модель программное обеспечение лучше различало обработанные и контрольные клетки, чем при опоре только на статичные снимки, что подчёркивает ценность отслеживания изменений во времени.

Оценка спелости фруктов без их разрезания

Третий пример относится к качеству пищевых продуктов и использует общедоступные гиперспектральные изображения фруктов на стадиях незрелости, зрелости и перезрелости, каждое записано в 224 длинах волн. SMIAL автоматически выделял каждый плод, опираясь на контраст с фоном, и достиг качества сегментации, близкого к аккуратным ручным очерчиваниям. Затем программа извлекла тысячи признаков, описывающих яркость, форму и текстуру по длинам волн. Хотя отдельные измерения не давали чёткого разделения уровней спелости, SMIAL комбинировал отбор признаков, продуманную обработку неравных размеров классов и классификатор на основе опорных векторов, чтобы улучшить распознавание, особенно зрелых плодов. Это демонстрирует, что тот же инструмент справляется как с медицинскими наборами данных, так и с задачами промышленного контроля качества.

Снижение барьера для умного анализа изображений

В целом исследование показывает, что SMIAL может превращать большие и сложные коллекции изображений в надёжные модели классификации для самых разных задач — от обнаружения раковых клеток до оценки реакции на лекарства и спелости фруктов. Объединяя многочисленные продвинутые шаги анализа в понятном графическом интерфейсе и сохраняя полный отчёт о выбранных настройках, он позволяет исследователям, не являющимся экспертами в программировании, создавать, делиться и воспроизводить сложные рабочие процессы машинного обучения. На практике это означает, что больше лабораторий смогут извлекать полезные сведения из немеченной визуализации, ускоряя прогресс в диагностике, мониторинге лечения и неинвазивном контроле качества.

Цитирование: 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

Ключевые слова: немеченная визуализация, мультиспектральная микроскопия, программное обеспечение машинного обучения, классификация на основе изображений, гиперспектральная визуализация