Högupplösta koloni­bilder av kliniskt isolerade bakterier för automatisk upptäckt och djupinlärning

Varför små prickar på en skål spelar roll

När läkare testar för infektioner odlar de ofta mikrober från ett patientprov på en näringsplatta och väntar på att små prickar, så kallade kolonier, ska dyka upp. Varje prick härstammar från en enda mikroorganism och dess utseende och mönster hjälper laboratoriepersonalen att gissa vad som orsakar sjukdomen. Men att avläsa hundratals plattor för hand är långsamt och tröttsamt. Denna studie beskriver en stor, omsorgsfullt uppbyggd samling högkvalitativa koloni­bilder avsedd att hjälpa datorer att lära sig att snabbt och konsekvent hitta och räkna dessa prickar.

Från trångt laboratoriebänk till digitala bilder

I sjukhuslaboratorier odlar personal rutinmässigt bakterier från blod, urin eller luftvägar. De inspekterar sedan kolonierna efter storlek, färg och form för att vägleda diagnos och behandling. Traditionell avläsning med ögat är inte bara arbetskrävande; den varierar också mellan personer, särskilt när många plattor måste kontrolleras på kort tid. Eftersom vårdsystem testar fler patienter och vill ha snabbare svar finns ett starkt tryck att gå från manuell kontroll till digitala verktyg som kan hantera stora mängder bilder med samma standard varje gång.

Att bygga ett renare fönster mot bakterier

Författarna ville skapa en bildsamling som undviker många brister hos äldre dataset, såsom ojämn belysning och få arter. De samlade kliniska stammar från verkliga patienter under nästan två år och täckte 19 viktiga bakterietyper, inklusive flera som ofta är resistenta mot antibiotika. För varje art valde de flera distinkta stammar och odlade dem på fast medium under noggrant kontrollerade förhållanden, ibland i 48 timmar för att låta långsamt växande stammar visa sitt typiska utseende. De använde sedan en sluten, ljusskyddad avbildningsanordning med en fast kamera och två ljuskällor — en genom plattan och en reflekterande ovanifrån — för att fånga skarpa, stabila bilder av varje skål.

Att omvandla plattor till siffror för datorer

När bilderna tagits markerade utbildad laboratoriepersonal noggrant rutor runt varje koloni med hjälp av märkningsprogramvara. Två inspektörer märkte kolonierna oberoende, och en tredje expert löste de sällsynta konflikterna, så att slutmarkeringarna låg nära de verkliga koloni­kanterna. Teamet speglade också bilder horisontellt eller vertikalt för att skapa fler exempel och justerade markeringarna därefter. I slutändan producerade de 950 originalbilder och deras spegelvända varianter, vilket gav 1 900 bilder med 118 442 markerade kolonier. Etiketterna lagras i flera vanliga filtyper så att olika artificiella intelligens‑verktyg kan använda samma data med liten extra anpassning.

Att sätta datasetet på prov

För att visa vad deras dataset kan användas till tränade forskarna en modern objektdetekteringsmodell för att hitta kolonier på plattorna och undersöka hur olika arter framträder i en kompakt karta över bildfunktioner. De använde bara originalbilderna, delade upp dem i tränings‑ och testgrupper och applicerade vanliga tekniker som mixning och maskning av delar av bilder under inlärning. På de avhållna testplattorna nådde modellen mycket hög noggrannhet för de flesta av de 19 arterna, med endast några problem för små eller svaga kolonier som flyter ihop med bakgrunden. När de plottade hur modellen grupperar kolonier i en tvådimensionell karta, bildade varje art en tydlig kluster, vilket visar att bilderna bär starka, distinkta visuella signaler som en dator kan lära sig.

Vad detta betyder för framtida labbarbete

Detta öppna dataset erbjuder en ren, rik utgångspunkt för att bygga och utvärdera verktyg som automatiskt kan detektera och räkna kolonier, och till och med urskilja subtila kännetecken som röda cellskador som omger vissa bakterier. Även om det fokuserar på enstaka arter odlade var för sig snarare än den röriga blandning som verkliga patientprover kan utgöra, fångar det den naturliga variationen mellan stammar och visar kolonier under mycket reproducerbara förhållanden. För en allmän läsare är huvudpoängen att genom att omvandla tusentals välbelysta petriskålsbilder till en delad resurs, underlättar detta arbete för många grupper att designa och jämföra intelligenta system som en dag kan hjälpa sjukhuslaboratorier att leverera mer tillförlitliga och snabbare infektionsresultat.

Citering: Du, J., Yang, C., Sun, M. et al. High-Resolution Colony Images of Clinically Isolated Bacteria for Automated Detection and Deep Learning. Sci Data 13, 757 (2026). https://doi.org/10.1038/s41597-026-07095-5

Nyckelord: bakteriekolonier, bilddataset, automatisk detektion, djupinlärning, klinisk mikrobiologi