使用 SMIAL 的多维数据分析与分类

理解复杂的科学图像

现代显微镜能够在不添加染料或标记的情况下捕捉细胞、组织乃至食物的极为丰富的图像，记录它们在不同光色下的荧光、反射或随时间的变化。这些图像蕴含关于疾病、药物效应和产品质量的线索，但往往复杂到只有具备高级编程能力的专家才能分析。本文介绍了 SMIAL，一款免费软件，帮助科学家和临床人员通过易用的界面，利用机器学习将这些密集的图像集合转化为清晰可信的结果。

为整个流程提供一站式平台

SMIAL 被设计为一个一站式工作区，引导用户完成从原始图像到最终决策的完整流程。用户不必在多个程序间切换，而是通过六个面板按科学家常见的工作步骤依次操作：加载图像、勾画感兴趣对象、清理数据、测量多项属性，最后构建并检验预测模型。软件接受多种输入，包括跨多个波段的彩色显微图像、时间序列视频、简单的测量表以及现成模型。在每一步都保存所选设置，便于他人重复工作并准确了解结果的产生过程。

教计算机识别黑色素瘤细胞

为展示 SMIAL 的功能，作者首先用它在两类黑色素瘤细胞与正常皮肤细胞之间进行区分，仅基于它们在不同光色下的天然荧光。他们加载了含 29 个光谱通道的图像堆栈，对齐手工勾画的细胞轮廓，并通过降噪、背景去除和仔细的亮度校准来提升图像质量。随后 SMIAL 为每个细胞测量了千余项特征，记录每个通道的亮度、纹理变化以及细胞形状等信息。数据清理步骤自动去除了弱或重叠的特征，将特征列表缩减到数十个有信息量的项。使用这些特征，简单的逻辑回归分类器就能以高准确度正确区分三类细胞，性能指标良好且总结图中细胞聚类清晰。

观察细胞随时间对药物的反应

在第二个案例中，SMIAL 跟踪了视网膜细胞在数天内对转向农药（rotenone，一种使线粒体承压的化学物质）的反应。研究团队在处理组和对照组的多个时间点检查了线粒体的天然荧光。测试了不同的降噪滤波器后，他们选择了能保留细微网络结构的方案。SMIAL 测量了线粒体网络的强度、形状和纹理，并计算这些度量在时间点间的变化。处理过的线粒体在 72 小时内变得更亮、更加碎裂且圆度下降。当将基于时间的特征加入模型时，软件比仅依赖静态快照时更能区分处理组与对照组，突显出追踪变化而非单张图像的优势。

无需切开水果也能判断成熟度

第三个例子转向食品质量，使用了公开的水果高光谱图像，覆盖未熟、成熟和过熟三个阶段，每个样本记录 224 个波长。SMIAL 根据果实与背景的对比自动勾画每个果实轮廓，分割质量接近细致的人工描绘。随后它提取了成千上万项描述跨波长亮度、形状和纹理的特征。虽然单一测量无法干净地区分成熟度级别，SMIAL 通过特征选择、对不均衡类别的巧妙处理以及支持向量机分类器提升了识别效果，尤其对成熟果实的识别有明显改进。这表明同一工具既能处理医学类数据集，也适用于工业质控任务。

降低智能图像分析的门槛

总体而言，研究表明 SMIAL 能将大型、复杂的图像集合转化为可靠的分类模型，适用于从癌细胞检测到药物反应和水果成熟度等多种问题。通过在清晰的图形界面中封装多项先进分析步骤并保存完整的设置记录，它使非编程专家的研究者也能构建、共享并重复复杂的机器学习工作流程。在实际层面，这意味着更多实验室能够从无标记成像中提取有用见解，从而加速诊断、疗效监测和无创质量检测方面的进展。

引用: 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

关键词: 无标记成像, 多光谱显微镜, 机器学习软件, 基于图像的分类, 高光谱成像