🧬 biología

Bacterial Species Classification from Full-Plate Culture Images Using Deep Learning: A Comparative Study of CNNs and Vision Transformers

Este estudio demuestra que los Vision Transformers ajustados (ViT-B/16) superan a las arquitecturas tradicionales de CNN como ResNet50 y DenseNet121 en la clasificación precisa de 19 especies bacterianas directamente a partir de imágenes de cultivos de placa completa, alcanzando una precisión media del 99,05 % bajo un protocolo experimental unificado.

Autores originales: Abdulsalam Abdulsattar Abdulazez, Hussein Salim Abed, Aythem Khairi Kareem, Mustafa Nadhim OWAID, Ahmed Adil Nafea

Publicado 2026-10-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abdulsalam Abdulsattar Abdulazez, Hussein Salim Abed, Aythem Khairi Kareem, Mustafa Nadhim OWAID, Ahmed Adil Nafea

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

En el silencioso zumbido de un laboratorio clínico, una placa de Petri reposa bajo una luz suave, con su superficie salpicada de diminutas y crecientes colonias de bacterias. Durante décadas, la identificación de qué son estos invasores invisibles ha dependido del ojo entrenado de un microbiólogo. Los expertos observan el tamaño, el color, la textura y la forma de estas colonias, comparándolas con años de experiencia para nombrar la especie. Este proceso es vital; saber exactamente qué bacteria está causando una infección permite a los médicos elegir el antibiótico adecuado rápidamente, salvando vidas y previniendo la propagación de enfermedades. Sin embargo, esta pericia humana es un cuello de botella. Requiere tiempo, es agotador e incluso diferentes expertos podrían discrepar sobre lo que ven. La pregunta que enfrenta la ciencia moderna es si una computadora puede aprender a ver estos patrones tan bien como ellos, o quizás mejor, mirando la placa completa de una sola vez en lugar de centrarse en un solo punto.

Un equipo de investigadores ha dado ahora un paso significativo hacia la respuesta de esa pregunta. Se propuseron construir un sistema que pudiera identificar automáticamente diecinueve tipos diferentes de bacterias clínicamente importantes directamente a partir de fotografías de placas de cultivo completas. En lugar de pedirle a una computadora que observe una colonia única y aislada, el equipo le suministró imágenes de la placa entera, capturando la compleja disposición de todas las bacterias creciendo juntas. Probaron tres tipos diferentes de modelos de inteligencia artificial para ver cuál podía aprender el lenguaje visual de estos microbios de manera más efectiva. Dos de los modelos se basaron en un diseño que imita cómo el ojo humano procesa las imágenes en capas, escaneando bordes y formas. El tercer modelo utilizó un enfoque más nuevo que observa la imagen completa a la vez, ponderando cómo se relacionan entre sí las diferentes partes de la imagen.

Los investigadores trabajaron con una colección cuidadosamente preparada de 950 fotografías de alta resolución. Cada foto mostraba una placa de Petri que contenía una de diecinueve especies bacterianas específicas, como Escherichia coli o Staphylococcus aureus, todas cultivadas bajo condiciones estrictas e idénticas para asegurar que las imágenes fueran justas y consistentes. Para entrenar a las computadoras, el equipo les mostró estas imágenes una y otra vez, realizando cambios leves y aleatorios en las imágenes —volteándolas, rotándolas o ajustando los colores— para enseñar a los modelos a reconocer las bacterias independientemente de cómo estuvieran posicionadas o iluminadas. Este proceso aseguró que el sistema aprendiera la identidad verdadera de las bacterias, no solo la forma específica en que se tomó una foto.

Cuando el equipo puso a prueba los tres modelos, los resultados fueron sorprendentes. El modelo que observaba la imagen completa a la vez, utilizando un método llamado Vision Transformer, demostró ser el más preciso. Identificó correctamente la especie bacteriana en casi el 99 por ciento de los casos. Los otros dos modelos, que dependían del enfoque de capas y detección de bordes, también funcionaron bien, con uno logrando aproximadamente un 97.6 por ciento de precisión y el otro alrededor de un 94 por ciento. La diferencia puede parecer pequeña en puntos porcentuales, pero en un entorno médico, representa una brecha significativa en la fiabilidad. El modelo con mejor desempeño cometió solo nueve errores en todo el conjunto de 950 imágenes, mientras que los otros cometieron muchos más.

Lo que es quizás más interesante no es solo que el nuevo modelo ganara, sino cómo manejó los casos difíciles. Algunas bacterias se ven tan similares al ojo humano que incluso los expertos pueden tener dificultades para distinguirlas. Los investigadores encontraron que el modelo superior era mejor distinguiendo entre estos pares complicados que los otros sistemas. Por ejemplo, rara vez confundió dos tipos específicos de bacterias que los otros modelos solían mezclar. Esto sugiere que, al observar la placa completa y comprender cómo se disponen e interactúan las diferentes colonias, el modelo puede captar pistas sutiles que un análisis más simple, pieza por pieza, podría pasar por alto.

El estudio no pretende haber resuelto todos los problemas de la identificación bacteriana. Los investigadores fueron cuidadosos al señalar que su sistema fue entrenado con imágenes tomadas en un entorno de laboratorio único y controlado. Reconocen que los hospitales del mundo real utilizan diferentes cámaras, iluminación y condiciones de cultivo, lo que podría confundir al sistema. Además, la prueba actual no tuvo plenamente en cuenta si el sistema podría manejar cepas de bacterias completamente nuevas que no había visto antes. Sin embargo, el trabajo proporciona un punto de referencia claro y reproducible. Demuestra que el aprendizaje profundo, particularmente los modelos más nuevos basados en transformadores, puede alcanzar un nivel de precisión que rivaliza con el de los expertos humanos al observar placas de cultivo completas.

Esta investigación ofrece un vistazo a un futuro donde el cribado inicial de infecciones podría ser más rápido y consistente. Al demostrar que una computadora puede aprender a leer la historia visual de una placa de Petri completa con una precisión casi perfecta, el estudio abre la puerta a herramientas que podrían asistir a médicos y técnicos de laboratorio. Si bien la tecnología aún no está lista para reemplazar el juicio humano en cada hospital, muestra que el camino a seguir reside en sistemas que comprendan la imagen completa, no solo las partes. La capacidad de identificar estas amenazas microscópicas con tal velocidad y precisión podría significar, eventualmente, que los pacientes reciban el tratamiento correcto más pronto, convirtiendo un proceso lento y manual en uno rápido y automatizado.

Resumen Técnico: Clasificación de Especies Bacterianas a partir de Imágenes de Cultivos de Placa Completa mediante Aprendizaje Profundo

Planteamiento del Problema

La clasificación morfológica de cultivos microbianos en placas de agar depende tradicionalmente de la especialización y la experiencia práctica, un proceso que es lento, laborioso y propenso a interpretaciones inconsistentes entre los tecnólogos clínicos. Si bien la identificación rápida y precisa de patógenos es crítica para el diagnóstico temprano de infecciones y el tratamiento antimicrobiano, los enfoques automatizados existentes suelen sufrir limitaciones significativas. Estudios previos se han basado frecuentemente en un número reducido de especies bacterianas, conjuntos de datos restringidos, divisiones únicas de entrenamiento-prueba o en la extracción de cultivos de colonias aisladas en lugar de analizar placas de cultivo completas. Existe una necesidad demostrada de una comparación sistemática y reproducible de arquitecturas de aprendizaje profundo (DL) capaces de manejar imágenes de placas completas bajo condiciones experimentales consistentes para apoyar una identificación bacteriana escalable y rentable.

Metodología

Este estudio propone un flujo de trabajo de aprendizaje profundo unificado para la clasificación multiclase de especies bacterianas utilizando imágenes de placas de cultivo completas y de alta resolución. La metodología abarca los siguientes componentes clave:

Conjunto de Datos

La investigación utilizó un conjunto de datos equilibrado que comprende 950 imágenes de alta resolución que representan 19 especies bacterianas clínicamente relevantes derivadas de 151 cepas clínicas. El conjunto de datos se recolectó entre agosto de 2023 y mayo de 2025 a partir de especímenes clínicos respiratorios, urinarios, sanguíneos y otros. Las imágenes se adquirieron utilizando un sistema de imagen automatizado Micro-Chronos en un entorno a prueba de luz con iluminación de doble fuente (transmitida y anular reflejada) para capturar los bordes de las colonias y las texturas superficiales. La resolución original era de 4056×3040 píxeles, con exactamente 50 imágenes por especie.

Preprocesamiento y Aumento de Datos

Se aplicó un flujo de preprocesamiento consistente a todas las imágenes:

Conversión y Redimensionamiento: Las imágenes se convirtieron a RGB y se redimensionaron a 384×384 píxeles mediante interpolación bilineal.
Normalización: Se aplicó una normalización específica para cada modelo basada en configuraciones preentrenadas (parámetros de ImageNet para CNN; parámetros uniformes para ViT).
Aumento de Datos (Augmentation): Se aplicaron aumentos estocásticos (volteo horizontal/vertical, rotación aleatoria ±10°, traslación ±5%, escalado 0.9–1.1 y fluctuación de color) exclusivamente a los subconjuntos de entrenamiento de cada iteración (fold). Los conjuntos de validación permanecieron sin alteraciones.

Protocolo Experimental

El estudio empleó una estrategia de validación cruzada de cinco pliegues estratificada con una semilla aleatoria fija (42) para asegurar particiones de datos idénticas en todos los modelos. Este enfoque permitió una comparación rigurosa sin la necesidad de un conjunto de prueba independiente.

Modelos Comparativos

Tres arquitecturas distintas fueron ajustadas bajo configuraciones de optimización idénticas (optimizador AdamW, pérdida de entropía cruzada, 10 épocas, entrenamiento de precisión mixta):

ResNet50: Una CNN residual que utiliza bloques de cuello de botella (bottleneck blocks) para abordar la degradación en redes profundas.
DenseNet121: Una CNN que emplea conectividad densa para reutilizar los mapas de características a través de las capas.
ViT-B/16 (Vision Transformer): Un modelo basado en transformadores que divide las imágenes en parches no superpuestos y utiliza mecanismos de autoatención global.

Todos los modelos fueron inicializados con pesos preentrenados (ImageNet para CNN; ImageNet-21K/1K para ViT) y modificados con una cabeza de clasificación específica para la tarea de 19 clases.

Contribuciones Clave

El artículo describe las siguientes contribuciones primarias:

Clasificación de Placa Completa: Clasificación exitosa de 19 especies bacterianas utilizando 950 imágenes de placas de cultivo completas, evitando la necesidad de la extracción previa de colonias individuales.
Línea Base Comparativa Unificada: Una comparación directa y justa de ResNet50, DenseNet121 y ViT-B/16 bajo protocolos idénticos de preprocesamiento, aumento, optimización y validación cruzada.
Comparación de Paradigmas: Una evaluación de tres paradigmas de aprendizaje de características: aprendizaje residual (ResNet), reutilización de características densas (DenseNet) y autoatención global (ViT) para la identificación microbiana.
Evaluación Exhaustiva: Evaluación del rendimiento utilizando una amplia gama de métricas, incluyendo precisión (accuracy), macro-precisión/exhaustividad (recall)/F1-score, coeficiente de correlación de Matthews (MCC), kappa de Cohen y un análisis detallado de errores.

Resultados

Los resultados experimentales demostraron una jerarquía clara de rendimiento entre los modelos:

ViT-B/16 alcanzó el rendimiento general más alto con una precisión media de 99.05 ± 0.86% y un macro F1-score de 99.05 ± 0.86%. También logró el MCC más alto (0.9901) y el kappa de Cohen más alto (0.9900), con solo 9 clasificaciones erróneas en las predicciones agregadas fuera de la muestra (out-of-fold).
DenseNet121 ocupó el segundo lugar, logrando 97.58 ± 1.69% de precisión y un macro F1-score de 97.56 ± 1.68%, con 23 clasificaciones erróneas totales.
ResNet50 alcanzó un 94.21 ± 1.75% de precisión y un macro F1-score de 94.19 ± 1.75%, con 55 clasificaciones erróneas.

Análisis Estadístico:
Las pruebas de Friedman indicaron diferencias significativas entre los modelos ( $p=0.016$ ). Las comparaciones por pares mostraron que tanto ViT-B/16 como DenseNet121 superaron significativamente a ResNet50. Sin embargo, la diferencia entre ViT-B/16 y DenseNet121 no fue estadísticamente significativa ( $p=0.108$ ) dado el número limitado de pliegues, aunque ViT-B/16 exhibió una menor variabilidad (DE 0.86% frente a 1.69%).

Análisis de Errores:
Las clasificaciones erróneas se concentraron en pares visualmente desafiantes específicos. Notablemente, la confusión entre Acinetobacter baumannii y Serratia marcescens ocurrió en todos los modelos, lo que sugiere características visuales superpuestas. La confusión entre Staphylococcus epidermidis y Corynebacterium striatum fue prominente en las CNN, pero estuvo ausente en los errores de ViT-B/16, lo que indica potencialmente la capacidad del transformador para aprovechar el contexto global de la placa.

Significado y Reivindicaciones

Los autores afirman que este estudio proporciona una línea base comparativa reproducible para la clasificación de imágenes bacterianas, demostrando que los modelos de aprendizaje profundo, particularmente los Vision Transformers, pueden lograr identificaciones de especies altamente precisas directamente a partir de imágenes de placas completas sin aislar colonias individuales.

El estudio enfatiza que, si bien ViT-B/16 logró una precisión y estabilidad superiores, DenseNet121 sigue siendo una alternativa sólida y computacionalmente eficiente para escenarios con recursos limitados. El artículo concluye modestamente que, aunque los resultados son prometedores, se basan en un único conjunto de datos bajo condiciones estandarizadas. Los autores declaran explícitamente que los hallazgos motivan la investigación futura en la validación independiente de la cepa (para asegurar la generalización a cepas no vistas) y la validación multicéntrica a través de diferentes sistemas de imagen y entornos de laboratorio. El estudio no pretende resolver todos los desafíos de identificación biológica, sino establecer un marco metodológico robusto para futuros estudios comparativos de DL en microbiología.