Otomatik Algılama ve Derin Öğrenme İçin Klinik İzole Bakterilerin Yüksek Çözünürlüklü Koloni Görüntüleri

Neden bir tabaktaki küçük noktalar önemli

Hekimler enfeksiyon testi yaptığında, genellikle hasta örneğinden mikropları besin plakası üzerinde büyütür ve koloniler adı verilen küçük noktaların ortaya çıkmasını bekler. Her nokta tek bir mikroba kadar izlenebilir ve görünümü ile düzeni laboratuvar personelinin hastalığa neyin neden olduğunu tahmin etmesine yardımcı olur. Ancak yüzlerce plağı gözle okumak yavaş ve yorucudur. Bu çalışma, bilgisayarların bu noktaları hızlı ve tutarlı biçimde tespit etmeyi öğrenmesine yardımcı olmak üzere titizlikle oluşturulmuş, yüksek kaliteli büyük bir koloni görüntü koleksiyonunu tanımlar.

Kalabalık laboratuvar tezgâhından dijital görüntülere

Hastane laboratuvarlarında personel rutin olarak kan, idrar veya solunum yollarından bakterileri büyütür. Ardından kolonilerin boyutunu, rengini ve şeklini teşhis ve tedavi yol gösterici olarak incelerler. Geleneksel gözle okuma yalnızca yoğun emek gerektirmekle kalmaz; özellikle kısa sürede çok sayıda plaka kontrol edilmesi gerektiğinde kişiden kişiye değişir. Sağlık sistemleri daha fazla hasta test ettikçe ve daha hızlı yanıt aradıkça, manuel kontrollerden her seferinde aynı standardı koruyabilen dijital araçlara geçiş için güçlü bir itki oluşmaktadır.

Bakteriler üzerine daha temiz bir pencere inşa etmek

Yazarlar, düzensiz aydınlatma ve az sayıda tür gibi eski veri setlerinin pek çok kusurundan kaçınacak bir koloni görüntü koleksiyonu oluşturmayı amaçladılar. Yaklaşık iki yıl boyunca gerçek hastalardan klinik suşlar topladılar ve antibiyotiklere sıklıkla direnç gösterenler de dahil, 19 önemli bakteri türünü kapsadılar. Her tür için birden fazla farklı suş seçip katı ortamda sıkı kontrollü koşullarda büyüttüler; bazen yavaş büyüyenlerin tipik görünümlerini göstermesi için 48 saati beklediler. Ardından her tabağın net, sabit fotoğraflarını yakalamak için sabit kameralı ve iki ışık kaynağına (biri plaktan geçen, diğeri üstten yansıyan) sahip kapalı, ışık geçirmez bir görüntüleme cihazı kullandılar.

Tabağı bilgisayar için sayılara dönüştürmek

Görüntüler yakalandıktan sonra eğitimli laboratuvar personeli, etiketleme yazılımı kullanarak her koloni etrafına dikkatlice kutular çizdi. İki denetçi kolonileri bağımsız olarak işaretledi ve nadir anlaşmazlıkları üçüncü bir uzman çözdü; böylece nihai işaretlemeler gerçek koloni sınırlarına yakın oldu. Ekip ayrıca görüntüleri yatay veya dikey olarak çevirerek ek örnekler oluşturdu ve işaretlemeleri buna göre ayarladı. Sonuçta 950 özgün görüntü ve bunların çevrilmiş versiyonları olmak üzere 1.900 görüntü ile 118.442 işaretlenmiş koloni ürettiler. Etiketler, farklı yapay zeka araçlarının aynı veriyi fazla ek çalışma gerektirmeden kullanabilmesi için birkaç yaygın dosya türünde saklanıyor.

Veri setini teste sokmak

Veri setlerinin neler destekleyebileceğini göstermek için araştırmacılar, tabaklardaki kolonileri bulmak ve farklı türlerin görüntü özellikleri haritasında nasıl göründüğünü incelemek amacıyla modern bir nesne algılama modelini eğitti. Yalnızca özgün görüntüleri kullandılar, bunları eğitim ve test gruplarına böldüler ve öğrenme sırasında görüntüleri karıştırma ve maskeleme gibi yaygın teknikler uyguladılar. Ayrı tutulan test plakalarında model, 19 türün çoğu için çok yüksek doğruluk elde etti; arka plana bulanıklaşan küçük veya soluk kolonilerde sadece birkaç sorun görüldü. Modelin kolonileri iki boyutlu bir haritada nasıl gruplandırdığını çizdiklerinde, her tür belirgin bir küme oluşturdu; bu da görüntülerin bilgisayarın öğrenebileceği güçlü, ayırt edici görsel ipuçları taşıdığını gösteriyor.

Gelecekteki laboratuvar çalışmaları için anlamı

Bu açık veri seti, kolonileri otomatik olarak tespit eden ve sayan araçları oluşturmak ve doğrulamak için temiz, zengin bir başlangıç noktası sunuyor; hatta bazı bakterilerin çevresinde görülen kırmızı hücre hasarı halkaları gibi ince özellikleri ayırmaya yardımcı olabilir. Çalışma, karışık gerçek hasta örnekleri yerine tek türlerin yalnız başına yetiştirilmesine odaklansa da suşlar arasındaki doğal çeşitliliği yakalıyor ve kolonileri yüksek derecede tekrarlanabilir koşullar altında sunuyor. Sıradan bir okuyucu için temel çıkarım, binlerce iyi ışıklandırılmış petr­i kap görüntüsünü paylaşılan bir kaynağa dönüştürerek, bu çalışmanın hastane laboratuvarlarının daha güvenilir ve daha hızlı enfeksiyon sonuçları sunmasına bir gün yardımcı olabilecek akıllı sistemleri tasarlamayı ve karşılaştırmayı birçok grup için kolaylaştırdığıdır.

Atıf: 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

Anahtar kelimeler: bakteri kolonileri, görüntü veri seti, otomatik algılama, derin öğrenme, klinik mikrobiyoloji