DOI: https://doi.org/10.1038/s41598-026-38861-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41663499
تاريخ النشر: 2026-02-09
المؤلف: Ahmed Al-Jumaili وآخرون
الموضوع الرئيسي: تقنيات تحليل صور الخلايا
نظرة عامة
في هذه الدراسة، تم تطوير خوارزمية جديدة للتعلم العميق، تُعرف باسم CM-Net، لتصنيف البيانات البيولوجية المستمدة من الصور الملتقطة من خلال المجهر الضوئي التداخلي. تتكون مجموعة البيانات من صور لنوعين من البكتيريا، *Escherichia coli* و *Staphylococcus aureus*، مع عدد أولي قدره 300 صورة لكل فئة. لتعزيز مجموعة البيانات، تم زيادة الصور الأصلية، مما أسفر عن إجمالي 7,066 صورة بأبعاد 224×224 بكسل. كان الهدف من هذه الزيادة هو تحسين أداء الخوارزمية وتقليل التحيز.
خضعت نموذج CM-Net لتدريب واختبار صارمين، مع 30 تكرارًا و5-fold cross-validation تم تطبيقها في كل حالة. تم تقييم أداء النموذج باستخدام سبعة مقاييس: الدقة، الحساسية، النوعية، الدقة، NPV، F1-score، ومعامل ارتباط ماثيو (MCC). أظهرت النتائج أداءً عاليًا، حيث كانت الدقة 96.08%، والحساسية 95.98%، والنوعية 96.19%، والدقة 96.78%، وNPV 95.26%، وF1-score 96.38%، وMCC 92.11%. تؤكد هذه النتائج فعالية وموثوقية خوارزمية CM-Net في تصنيف صور البكتيريا.
مقدمة
تناقش مقدمة ورقة البحث دور الذكاء الاصطناعي (AI)، وخاصة تقنيات التعلم العميق، في تعزيز الكفاءة الحسابية وأداء المهام من خلال خوارزميات رياضية معقدة. يتم تسليط الضوء على الشبكات العصبية التلافيفية (CNNs)، وهي شكل متخصص من التعلم العميق، لقدرتها على معالجة البيانات المهيكلة على شكل شبكة، مما يقلد العمليات الإدراكية البشرية من خلال تحديد الأنماط داخل مجموعات البيانات الكبيرة. تشمل بنية CNNs عدة طبقات—الإدخال، التلافيف، التجميع، دالة التنشيط، وSoftMax—كل منها يساهم في استخراج الميزات وتعلم النموذج.
يتم التأكيد على تطبيق CNNs في علم الأحياء الدقيقة، وخاصة في تحديد أنواع البكتيريا، وهو أمر حيوي للتشخيص الطبي والعلاج، فضلاً عن منع العدوى وضمان سلامة الغذاء. تتمتع CNNs بقدرة على تمييز الكائنات الدقيقة بناءً على الميزات الشكلية، اللون، وأنماط النمو، مما يسهل التعرف الأسرع والأكثر دقة من خلال تحليل الصور المجهرية. تذكر المقدمة دراسات مختلفة حيث تم تطبيق نماذج CNN بنجاح على بيانات التصوير من تقنيات مجهرية مختلفة، مثل المجهر الضوئي والمجهر الإلكتروني، مما يوضح إمكانات هذه الخوارزميات في تقدم البحث والتشخيص في علم الأحياء الدقيقة.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من عينة سكانية. تضمنت المنهجيات المحددة تطبيق تحليل الانحدار لتحديد العلاقات بين المتغيرات، بالإضافة إلى استخدام مجموعات التحكم لضمان صحة النتائج.
شملت جمع البيانات أدوات وبروتوكولات موحدة للحفاظ على الاتساق والموثوقية. تم اختيار العينة من خلال أخذ عينات عشوائية طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية. بالإضافة إلى ذلك، تم تناول الاعتبارات الأخلاقية، مع الحصول على موافقة مستنيرة من جميع المشاركين قبل مشاركتهم في الدراسة. بشكل عام، تم تصميم الطرق المستخدمة بدقة لدعم صحة النتائج وتسهيل إمكانية إعادة الإنتاج في الأبحاث المستقبلية.
النتائج
تظهر نتائج هذه الدراسة فعالية خوارزمية تم تطويرها لتصنيف البكتيريا، وخاصة E. coli و S. aureus، باستخدام صور من مجهر ضوئي تداخلي. تُظهر مصفوفة الارتباك 2×2 لكل تشغيل، المستمدة من 30 تكرارًا مع 5-fold cross-validation، نمطًا قطريًا قويًا، مما يشير إلى تمييز واضح بين نوعي البكتيريا. من الجدير بالذكر أن S. aureus يتم تصنيفه بشكل خاطئ بشكل متكرر على أنه E. coli، مما يؤدي إلى زيادة الاسترجاع لـ E. coli. تراوحت الدقة العامة للنموذج من 94% إلى 96%، مع تسجيل أفضل أداء عند 96.79% في الجولة 12. تؤكد مصفوفات الارتباك لنماذج مسبقة التدريب المختلفة (ResNet18، ShuffleNet، MobileNetV2، و GoogLeNet) تفوق النموذج المطور، الذي حقق أعلى دقة مع الحفاظ على أقل عدد من المعلمات (1.68 مليون).
بالإضافة إلى ذلك، تسلط الدراسة الضوء على قوة النموذج من خلال التدريب والاختبار المكثفين، حيث حقق نتائج متسقة عبر عدة جولات. تشير النتائج إلى أن التعديلات الهيكلية، مثل إضافة طبقات تلافيفية وتعديلات على دوال التنشيط، يمكن أن تعزز مقاييس الأداء. على العكس من ذلك، فإن إزالة Batch Normalization وتغييرات في طرق التحسين أثرت سلبًا على الكفاءة. بشكل عام، لا يظهر النموذج المقترح دقة عالية في تصنيف البكتيريا فحسب، بل يقدم أيضًا مزايا في استخدام الذاكرة والكفاءة الحسابية، مما يجعله مناسبًا للنشر على المنصات ذات الموارد المحدودة. يتم تقديم نتائج مفصلة ودراسات إلغاء منهجية في المواد التكميلية.
المناقشة
في هذا البحث، تم تطوير بنية شبكة عصبية تلافيفية جديدة (CNN)، تُسمى CM-Net، لتعزيز تصنيف والتعرف على خلايا البكتيريا الحية والميتة من صور المجهر الضوئي بالليزر التداخلي (CLSM). تسلط الدراسة الضوء على دمج تقنيات التعلم العميق لأتمتة تحليل مجموعات البيانات المعقدة، مستهدفة تحديد البكتيريا المسببة للأمراض مثل *Escherichia coli* و *Staphylococcus aureus*. يستخدم النموذج تصميمًا هيكليًا يتكون من طبقات تلافيفية، وتطبيع دفعي، وتنشيط ReLU المقصوص، وطبقات تجميع قصوى، والتي تعمل مجتمعة على تحسين استخراج الميزات ودقة التصنيف. تم أيضًا استخدام تقنيات زيادة البيانات لتوسيع مجموعة البيانات، مما يعزز من قوة النموذج.
أظهر تقييم أداء CM-Net دقة ملحوظة تبلغ حوالي 96%، مع مقاييس حساسية ونوعية متقاربة، مما يشير إلى موثوقيته في تمييز بين خلايا البكتيريا الحية والميتة. كشفت التحليلات المقارنة مع النماذج الحالية، بما في ذلك ResNet18، GoogLeNet، MobileNetV2، وShuffleNet، أن CM-Net تفوقت باستمرار على هذه الهياكل في المقاييس التشخيصية الرئيسية، مثل الدقة وF1-Score. استخدمت الدراسة أيضًا طرق Grad-CAM وحساسية الانسداد للتحقق من قابلية تفسير النموذج، مؤكدة أن تنبؤات CM-Net كانت قائمة على ميزات ذات صلة بيولوجيًا بدلاً من الضوضاء الخلفية غير ذات الصلة. بشكل عام، تؤكد النتائج على إمكانات CM-Net كأداة قوية للتحليل الآلي للبكتيريا في البحث في علم الأحياء الدقيقة.
القيود
تسلط قيود الدراسة الضوء على قيود كبيرة قد تؤثر على تعميم النتائج. ركزت الدراسة حصريًا على نوعين من البكتيريا، Escherichia coli وStaphylococcus aureus، مما يحد من قابلية تطبيق النتائج على سلالات بكتيرية أخرى وأنواع المجاهر. بالإضافة إلى ذلك، فإن غياب بيانات التحقق الخارجية من المجهر الضوئي التداخلي يحد من تقييم أداء النموذج عبر ظروف متنوعة. من الضروري إجراء أبحاث مستقبلية للتحقق من قوة النموذج من خلال دمج مجموعة أوسع من الأنواع البكتيرية، ومجموعات مستقلة، ومنهجيات تصوير متنوعة.
لمعالجة هذه القيود، ستسعى الأعمال المستقبلية إلى تعزيز تنوع البيانات وحجمها من خلال إدخال أنواع بكتيرية إضافية وتصنيفها بناءً على حالات الحياة (ميت، حي، تالف) ومستويات التعرض للمضادات الحيوية. ستتضمن المنهجية استخدام الصور الأصلية الكاملة بدلاً من المقاطع المعززة وجمع البيانات من مراكز متعددة لتحسين التعميم. ستستخدم التنفيذ شبكة عصبية تلافيفية رسومية (GCNN) للاستفادة من كشف الحواف لتحديد البكتيريا داخل الصور، مما يسهل تحليلًا أكثر دقة وتطبيقًا للنموذج.
DOI: https://doi.org/10.1038/s41598-026-38861-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41663499
Publication Date: 2026-02-09
Author(s): Ahmed Al-Jumaili et al.
Primary Topic: Cell Image Analysis Techniques
Overview
In this study, a novel deep-learning algorithm, referred to as CM-Net, was developed for the classification of biological data derived from images captured through Confocal Microscopy. The dataset comprised images of two bacterial species, *Escherichia coli* and *Staphylococcus aureus*, with an initial count of 300 images per class. To enhance the dataset, the original images were augmented, resulting in a total of 7,066 images with dimensions of 224×224 pixels. This augmentation aimed to improve the algorithm’s performance and mitigate bias.
The CM-Net model underwent rigorous training and testing, with 30 iterations and 5-fold cross-validation applied in each instance. The evaluation of the model’s performance was conducted using seven metrics: accuracy, sensitivity, specificity, precision, NPV, F1-score, and Matthews correlation coefficient (MCC). The results demonstrated high performance, with accuracy at 96.08%, sensitivity at 95.98%, specificity at 96.19%, precision at 96.78%, NPV at 95.26%, F1-score at 96.38%, and MCC at 92.11%. These findings underscore the efficacy and reliability of the CM-Net algorithm in classifying bacterial images.
Introduction
The introduction of the research paper discusses the role of artificial intelligence (AI), particularly deep learning techniques, in enhancing computational efficiency and task performance through complex mathematical algorithms. Convolutional Neural Networks (CNNs), a specialized form of deep learning, are highlighted for their ability to process structured grid-like data, mimicking human cognitive processes by identifying patterns within large datasets. The architecture of CNNs includes several layers—Input, Convolutional, Pooling, Activation Function, and SoftMax—each contributing to feature extraction and model learning.
The application of CNNs in microbiology is emphasized, particularly in the identification of bacterial species, which is vital for medical diagnostics and treatment, as well as for preventing infections and ensuring food safety. CNNs are adept at distinguishing microorganisms based on morphological features, color, and growth patterns, thereby facilitating faster and more accurate identification through the analysis of microscopic images. The introduction cites various studies where CNN models have been successfully applied to imaging data from different microscopy techniques, such as optical and electron microscopy, demonstrating the potential of these algorithms in advancing microbiological research and diagnostics.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from a sample population. Specific methodologies included the application of regression analysis to determine relationships between variables, as well as the use of control groups to ensure the validity of the results.
Data collection involved standardized instruments and protocols to maintain consistency and reliability. The sample was selected through stratified random sampling to ensure representation across key demographics. Additionally, ethical considerations were addressed, with informed consent obtained from all participants prior to their involvement in the study. Overall, the methods employed were rigorously designed to support the validity of the findings and facilitate reproducibility in future research.
Results
The results of this study demonstrate the effectiveness of a developed algorithm for classifying bacteria, specifically E. coli and S. aureus, using images from a confocal microscope. The per-run 2×2 confusion matrix, derived from 30 repetitions with 5-fold cross-validation, shows a strong diagonal pattern, indicating a clear distinction between the two bacterial species. Notably, S. aureus is more frequently misclassified as E. coli, resulting in higher recall for E. coli. The overall accuracy of the model ranged from 94% to 96%, with the best performance recorded at 96.79% in Round 12. The confusion matrices for various pre-trained models (ResNet18, ShuffleNet, MobileNetV2, and GoogLeNet) further corroborate the superiority of the developed model, which achieved the highest accuracy while maintaining the fewest parameters (1.68 million).
Additionally, the study highlights the model’s robustness through extensive training and testing, achieving consistent results across multiple rounds. The findings indicate that structural modifications, such as the addition of convolutional layers and adjustments to activation functions, can enhance performance metrics. Conversely, the removal of Batch Normalization and changes in optimization methods negatively impacted efficiency. Overall, the proposed model not only demonstrates high accuracy in bacterial classification but also offers advantages in memory usage and computational efficiency, making it suitable for deployment on resource-constrained platforms. Detailed results and systematic ablation studies are provided in the supplementary materials.
Discussion
In this research, a novel convolutional neural network (CNN) architecture, termed CM-Net, was developed to enhance the classification and recognition of live and dead bacterial cells from confocal laser scanning microscopy (CLSM) images. The study highlights the integration of deep learning techniques to automate the analysis of complex datasets, specifically targeting the identification of pathogenic bacteria such as *Escherichia coli* and *Staphylococcus aureus*. The model employs a structured design comprising convolutional layers, batch normalization, clipped ReLU activation, and max-pooling layers, which collectively improve feature extraction and classification accuracy. Data augmentation techniques were also utilized to expand the dataset, thereby enhancing the robustness of the model.
The performance evaluation of CM-Net demonstrated a remarkable accuracy of approximately 96%, with closely aligned sensitivity and specificity metrics, indicating its reliability in distinguishing between live and dead bacterial cells. Comparative analyses with existing models, including ResNet18, GoogLeNet, MobileNetV2, and ShuffleNet, revealed that CM-Net consistently outperformed these architectures in key diagnostic metrics, such as accuracy and F1-Score. The study further employed Grad-CAM and occlusion sensitivity methods to validate the interpretability of the model, confirming that CM-Net’s predictions were based on biologically relevant features rather than extraneous background noise. Overall, the findings underscore the potential of CM-Net as a powerful tool for automated bacterial analysis in microbiological research.
Limitations
The limitations of the study highlight significant constraints that may affect the generalizability of the findings. The research focused exclusively on two bacterial species, Escherichia coli and Staphylococcus aureus, which restricts the applicability of the results to other bacterial strains and microscope types. Additionally, the absence of external validation data from confocal microscopy limits the assessment of the model’s performance across diverse conditions. Future research is essential to validate the model’s robustness by incorporating a broader range of bacterial species, independent cohorts, and varied imaging methodologies.
To address these limitations, future work will aim to enhance data diversity and volume by introducing additional bacterial species and categorizing them based on viability states (dead, alive, damaged) and antibiotic exposure levels. The methodology will involve using complete original images rather than augmented segments and collecting data from multiple centers to improve generalization. The implementation will utilize a Graph Convolutional Neural Network (GCNN) to leverage edge detection for identifying bacteria within images, thereby facilitating more accurate analysis and application of the model.