SMIAL kullanarak çok boyutlu veri analizi ve sınıflandırma

Karmaşık Bilimsel Görüntüleri Anlamak

Modern mikroskoplar, hücrelerin, dokuların ve hatta gıdaların boyasız veya etiketsiz olarak nasıl parladığını, yansıttığını veya zaman içinde nasıl değiştiğini kaydederek son derece zengin görüntüler yakalayabiliyor. Bu görüntüler hastalıklar, ilaç etkileri ve ürün kalitesi hakkında ipuçları içeriyor, ancak genellikle yalnızca gelişmiş programlama becerisine sahip uzmanların analiz edebileceği kadar karmaşık oluyor. Bu makale, bilim insanlarının ve klinisyenlerin bu yoğun görüntü koleksiyonlarını kullanıcı dostu bir arayüz üzerinden makine öğrenmesi kullanarak net ve güvenilir sonuçlara dönüştürmesine yardımcı olan ücretsiz bir yazılım aracı olan SMIAL’i tanıtıyor.

Tüm Yolculuk İçin Tek Bir Yer

SMIAL, kullanıcıları ham görüntülerden nihai kararlara kadar eksiksiz bir yolculukta yönlendiren tek duraklı bir çalışma alanı olarak tasarlanmıştır. Birkaç program arasında koşturmak yerine kullanıcılar, bilim insanlarının tipik olarak çalıştığı aşamaları yansıtan altı panel boyunca ilerler: görüntü yükleme, ilgi nesnelerinin çizilmesi, verilerin temizlenmesi, çok sayıda özelliğin ölçülmesi ve nihayet tahmin modellerinin oluşturulup kontrol edilmesi. Yazılım, çok bantlı renkli mikroskop görüntüleri, zaman atlamalı videolar, basit ölçüm tabloları ve hatta hazır modeller dahil olmak üzere geniş bir girdi yelpazesini kabul eder. Her adımda seçilen ayarları kaydederek başkalarının çalışmayı tekrarlamasını ve sonuçların tam olarak nasıl üretildiğini anlamasını sağlar.

Bilgisayara Melanom Hücrelerini Tanıtmak

SMIAL’in neler yapabileceğini göstermek için yazarlar önce yalnızca farklı ışık renkleri altındaki doğal parlamalarını kullanarak iki tip melanom hücresini ve normal deri hücrelerini ayırt etmek için aracı kullandılar. 29 spektral kanallı görüntü yığınlarını yüklediler, elle çizilmiş hücre sınırlarını hizaladılar ve gürültü azaltma, arka plan giderme ve dikkatli parlaklık kalibrasyonu ile görüntü kalitesini iyileştirdiler. SMIAL daha sonra her hücre için her kanalın parlaklığını, dokudaki değişimleri ve hücre şekillerini yakalayan binin üzerinde özellik ölçtü. Bir veri temizleme adımı zayıf veya örtüşen özellikleri otomatik olarak kaldırarak bilgi içeren birkaç düzine özelliğe indirgedi. Bunlarla basit bir lojistik regresyon sınıflandırıcısı, güçlü performans skorları ve özet grafiklerdeki net hücre kümelenmeleriyle doğrulandığı üzere üç hücre tipini yüksek doğrulukla ayırdı.

Hücrelerin Bir İlaçla Zaman İçinde Tepkisini İzlemek

İkinci vaka çalışmasında SMIAL, retinadaki hücrelerin mitokondriyi strese sokan bir kimyasal olan rotenone’a günler boyunca nasıl yanıt verdiğini izledi. Ekip, tedavi edilen ve edilmemiş hücrelerde birkaç zaman noktasında doğal mitokondri parlamasını inceledi. Farklı gürültü filtrelerini test ettikten sonra ince ağ detaylarını koruyan filtreyi seçtiler. SMIAL mitokondri ağının yoğunluğunu, şeklini ve dokusunu ölçtü ve bu ölçümlerin zaman noktaları arasındaki değişimini de hesapladı. Tedavi edilen mitokondriler 72 saat içinde daha parlak, daha parçalanmış ve daha az dairesel hale geldi. Zaman tabanlı özellikler modele eklendiğinde yazılım, yalnızca statik anlık görüntülere dayanan modelden daha iyi tedavi edilen ve kontrol hücrelerini ayırt edebildi; bu da tek görüntüler yerine değişimleri takip etmenin gücünü vurguluyor.

Meyveyi Kesmeden Olgunluğunu Değerlendirmek

Üçüncü örnek gıda kalitesine döndü; olgunlaşmamış, olgun ve aşırı olgun aşamalardaki meyvelerin her biri 224 dalga boyunda kaydedilmiş halka açık hiperspektral görüntülerini kullandılar. SMIAL arka planla kontrasta dayanarak her meyveyi otomatik olarak çevreledi ve segmentasyon kalitesi dikkatli elle çizimlere yakın sonuç verdi. Ardından dalga boyları boyunca parlaklık, şekil ve dokuya ilişkin binlerce özellik çıkardı. Tek ölçümler olgunluk seviyelerini net biçimde ayırmasa da SMIAL özellik seçimi, düzensiz sınıf boyutlarının akıllıca ele alınması ve bir destek vektör makinesi sınıflandırıcısını birleştirerek özellikle olgun meyveler için tanımayı iyileştirdi. Bu, aynı aracın hem tıbbi tarzda veri setleriyle hem de endüstriyel kalite kontrol görevleriyle başa çıkabildiğini gösteriyor.

Akıllı Görüntü Analizine Erişimi Kolaylaştırmak

Genel olarak çalışma, SMIAL’in kanser hücresi tespiti, ilaç tepkisi izleme ve meyve olgunluğu gibi çok farklı sorunlar için büyük, karmaşık görüntü koleksiyonlarını güvenilir sınıflandırma modellerine dönüştürebileceğini gösteriyor. Birçok gelişmiş analiz adımını açık bir grafik arayüzde sarıp seçilen ayarların tam kaydını tutarak, programlama uzmanı olmayan araştırmacıların da karmaşık makine öğrenmesi iş akışlarını kurup paylaşmasına ve tekrarlamasına olanak tanıyor. Pratikte bu, daha fazla laboratuvarın etiketsiz görüntülemeden faydalı içgörüler çıkarabilmesi demek olup, tanı, tedavi izleme ve invazif olmayan kalite testlerinde ilerlemeyi hızlandırmaya yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: etiketsiz görüntüleme, multispektral mikroskopi, makine öğrenmesi yazılımı, görüntü tabanlı sınıflandırma, hiperspektral görüntüleme