🧬 biologie

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

Deze studie toont aan dat gefinetunede Vision Transformers (ViT-B/16) traditionele CNN-architecturen zoals ResNet50 en DenseNet121 overtreffen in het nauwkeurig classificeren van 19 bacteriële soorten direct uit volledige plaatcultuurafbeeldingen, waarbij een gemiddelde nauwkeurigheid van 99,05% wordt bereikt onder een uniform experimenteel protocol.

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

Gepubliceerd 2026-10-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

In de stille zoem van een klinisch laboratorium ligt een petrischaaltje onder een zacht licht, waarvan het oppervlak bezaaid is met kleine, groeiende kolonies bacteriën. Decennialang heeft het identificeren van wat deze onzichtbare indringers zijn, vertrouwd op het getrainde oog van een microbioloog. Experts kijken naar de grootte, kleur, textuur en vorm van deze kolonies en vergelijken deze met jarenlange ervaring om de soort te benoemen. Dit proces is essentieel; weten welke bacterie precies de infectie veroorzaakt, stelt artsen in staat om snel het juiste antibioticum te kiezen, wat levens redt en de verspreiding van ziekten voorkomt. Toch is deze menselijke expertise een flessenhals. Het kost tijd, het is vermoeiend, en verschillende experts kunnen zelfs van mening verschillen over wat ze zien. De vraag die de moderne wetenschap bezighoudt, is of een computer kan leren om deze patronen net zo goed, of misschien zelfs beter, te zien door naar de hele schaal te kijken in plaats van zich op één enkel punt te concentreren.

Een team van onderzoekers heeft nu een belangrijke stap gezet richting het beantwoorden van die vraag. Ze zetten zich in om een systeem te bouwen dat automatisch negentien verschillende soorten klinisch belangrijke bacteriën kan identificeren direct vanaf foto's van volledige kweekplaten. In plaats van een computer te vragen naar een enkele, geïsoleerde kolonie te kijken, voedde het team het systeem met afbeeldingen van de gehele schaal, waarbij de complexe rangschikking van alle samen groeiende bacteriën werd vastgelegd. Ze testten drie verschillende soorten kunstmatige intelligentie-modellen om te zien welk model de visuele taal van deze microben het meest effectief kon leren. Twee van de modellen waren gebaseerd op een ontwerp dat nabootst hoe het menselijk oog afbeeldingen in lagen verwerkt, door te scannen op randen en vormen. Het derde model gebruikte een nieuwere aanpak die naar het hele plaatje tegelijk kijkt en weegt hoe verschillende delen van de afbeelding met elkaar in relatie staan.

De onderzoekers werkten met een zorgvuldig voorbereide collectie van 950 hoogwaardige foto's. Elke foto toonde een petrischaaltje met een van negentien specifieke bacteriesoorten, zoals Escherichia coli of Staphylococcus aureus, die allemaal onder strikte, identieke omstandigheden waren gekweekt om ervoor te zorgen dat de afbeeldingen eerlijk en consistent waren. Om de computers te trainen, lieten het team deze afbeeldingen keer op keer zien, waarbij kleine, willekeurige wijzigingen aan de foto's werden aangebracht – het omdraaien, roteren of aanpassen van de kleuren – om de modellen te leren de bacteriën te herkennen, ongeacht hoe ze gepositioneerd waren of hoe de belichting was. Dit proces zorgde ervoor dat het systeem de ware identiteit van de bacteriën leerde, en niet alleen de specifieke manier waarop een foto was genomen.

Toen het team de drie modellen aan de test onderwierp, waren de resultaten opmerkelijk. Het model dat naar de hele afbeelding tegelijk keek, gebruikmakend van een methode genaamd een Vision Transformer, bleek het meest accuraat. Het identificeerde de bacteriesoort correct in bijna 99 procent van de gevallen. De andere twee modellen, die vertrouwden op de gelaagde, rand-detecterende aanpak, presteerden ook goed, waarbij het ene model een nauwkeurigheid van ongeveer 97,6 procent bereikte en het andere rond de 94 procent. Het verschil lijkt klein in procentpunten, maar in een medische setting vertegenwoordigt dit een aanzienlijk gat in betrouwbaarheid. Het best presterende model maakte slechts negen fouten over de gehele set van 950 afbeeldingen, terwijl de anderen veel meer fouten maakten.

Wat misschien nog wel interessanter is, is niet alleen dat het nieuwe model won, maar ook hoe het de moeilijke gevallen aanpakte. Sommige bacteriën zien er voor het menselijk oog zo vergelijkbaar uit dat zelfs experts moeite hebben om ze uit elkaar te houden. De onderzoekers ontdekten dat het topmodel beter in staat was om tussen deze lastige paren te onderscheiden dan de andere systemen. Zo raakte het topmodel zelden twee specifieke soorten bacteriën in de war die de andere modellen vaak door elkaar haalden. Dit suggereert dat door naar de gehele plaat te kijken en te begrijpen hoe de verschillende kolonies zijn gerangschikt en met elkaar interageren, het model subtiele aanwijzingen kan oppikken die een simpelere, stukje-per-stukje analyse zou missen.

De studie beweert niet elk probleem bij de identificatie van bacteriën te hebben opgelost. De onderzoekers merkten er zorgvuldig bij op dat hun systeem was getraind op afbeeldingen die in een enkele, gecontroleerde laboratoriumsetting waren gemaakt. Ze erkennen dat ziekenhuizen in de echte wereld andere camera's, verlichting en groeicondities gebruiken, wat het systeem in de war zou kunnen brengen. Bovendien hield de huidige test niet volledig rekening met de vraag of het systeem in staat zou zijn om met volledig nieuwe stammen van bacteriën om te gaan die het nog nooit eerder had gezien. Het werk biedt echter een duidelijk en reproduceerbaar ijkpunt. Het demonstreert dat deep learning, met name de nieuwere transformer-gebaseerde modellen, een niveau van precisie kan bereiken dat dat van menselijke experts evenaart bij het bekijken van volledige kweekplaten.

Dit onderzoek biedt een blik op een toekomst waarin de eerste screening van infecties sneller en consistenter kan verlopen. Door te bewijzen dat een computer het visuele verhaal van een volledige petrischaal met bijna perfecte nauwkeurigheid kan lezen, opent de studie de deur naar hulpmiddelen die artsen en laboranten kunnen ondersteunen. Hoewel de technologie nog niet klaar is om in elk ziekenhuis de menselijke beoordeling te vervangen, laat het zien dat de weg vooruit ligt bij systemen die het hele plaatje begrijpen, en niet alleen de onderdelen. Het vermogen om deze microscopische dreigingen met deze snelheid en nauwkeurigheid te identificeren, zou er uiteindelijk voor kunnen zorgen dat patiënten sneller de juiste behandeling krijgen, waardoor een traag, handmatig proces verandert in een vlugge, geautomatiseerde procedure.

Technische Samenvatting: Classificatie van Bacteriële Soorten uit Full-Plate Cultuurbeelden met Diep Leren

Probleemstelling

De morfologische classificatie van microbiële culturen op agarplaten berust traditioneel op gespecialiseerde expertise en praktische ervaring, een proces dat tijdrovend, arbeidsintensief en gevoelig is voor inconsistente interpretaties door klinisch technologen. Hoewel snelle en nauwkeurige identificatie van pathogenen cruciaal is voor vroege infectiediagnose en antimicrobiële behandeling, kampen bestaande geautomatiseerde benaderingen vaak met significante beperkingen. Eerdere studies vertrouwden frequent op een klein aantal bacteriële soorten, beperkte datasets, enkelvoudige train-test splits of de extractie van geïsoleerde kolie-crops in plaats van het analyseren van volledige cultuurplaten. Er is een aangetoonde behoefte aan een systematische, reproduceerbare vergelijking van deep learning (DL) architecturen die in staat zijn om hele plaatbeelden te verwerken onder consistente experimentele omstandigheden om schaalbare en kosteneffectieve bacteriële identificatie te ondersteunen.

Methodologie

Deze studie stelt een uniforme deep learning pipeline voor voor multiclass bacteriële soortclassificatie met behulp van volledige, hoogwaardige cultuurplaatbeelden. De methodologie omvat de volgende kerncomponenten:

Dataset

Het onderzoek maakte gebruik van een gebalanceerde dataset bestaande uit 950 hoogwaardige afbeeldingen die 19 klinisch relevante bacteriële soorten vertegenwoordigen, afkomstig van 151 klinische stammen. De dataset werd verzameld tussen augustus 2023 en mei 2025 uit respiratoire, urinaire, bloed- en andere klinische monsters. Afbeeldingen werden verkregen met een Micro-Chronos geautomatiseerd beeldvormingssysteem in een lichtdichte omgeving met dual-source verlichting (getransmitteerd en annulus-gereflecteerd) om koliegrenzen en oppervlaktexturen vast te leggen. De oorspronkelijke resolutie was 4056×3040 pixels, met exact 50 afbeeldingen per soort.

Preprocessing en Augmentatie

Een consistente preprocessing pipeline werd toegepast op alle afbeeldingen:

Conversie en Resizing: Afbeeldingen werden geconverteerd naar RGB en vergroot naar 384×384 pixels met behulp van bilineaire interpolatie.
Normalisatie: Modelspecifieke normalisatie werd toegepast op basis van vooraf getrainde configuraties (ImageNet parameters voor CNN's; uniforme parameters voor ViT).
Data Augmentatie: Stochastische augmentaties (horizontale/verticale flipping, willekeurige rotatie ±10°, translatie ±5%, schaling 0.9–1.1, en kleurjittering) werden exclusief toegepast op de trainingssubsets van elke fold. Validatiesets bleven ongewijzigd.

Experimenteel Protocol

De studie maakte gebruik van een gestratificeerde vijf-voudige cross-validatie strategie met een vaste random seed (42) om identieke datapartities over alle modellen te waarborgen. Deze aanpak maakte een rigoureuze vergelijking mogelijk zonder de noodzaak van een aparte held-out testset.

Vergelijkbare Modellen

Drie verschillende architecturen werden gefinetuned onder identieke optimalisatie-instellingen (AdamW optimizer, cross-entropy loss, 10 epochs, mixed-precision training):

ResNet50: Een residuele CNN die bottleneck blocks gebruikt om degradatie in diepe netwerken aan te pakken.
DenseNet121: Een CNN die dense connectiviteit gebruikt om feature maps over lagen heen te hergebruiken.
ViT-B/16 (Vision Transformer): Een transformer-gebaseerd model dat afbeeldingen verdeelt in niet-overlappende patches en globale self-attention mechanismen gebruikt.

Alle modellen werden geïnitialiseerd met pretrained gewichten (ImageNet voor CNN's; ImageNet-21K/1K voor ViT) en gemodificeerd met een taakspecifieke classificatiekop voor 19 klassen.

Belangrijkste Bijdragen

Het artikel beschrijft de volgende primaire bijdragen:

Whole-Plate Classificatie: Succesvolle classificatie van 19 bacteriële soorten met behulp van 950 volledige cultuurplaatafbeeldingen, waarbij de noodzaak voor voorafgaande extractie van individuele kolieën wordt vermeden.
Uniforme Vergelijkende Baseline: Een directe, eerlijke vergelijking van ResNet50, DenseNet121 en ViT-B/16 onder identieke preprocessing, augmentatie, optimalisatie en cross-validatie protocollen.
Paradigma Vergelijking: Een evaluatie van drie feature-learning paradigma's: residual learning (ResNet), dense feature reuse (DenseNet) en globale self-attention (ViT) voor microbiële identificatie.
Uitgebreide Evaluatie: Prestatiebeoordeling met behulp van een breed scala aan metrieken, waaronder accuratesse, macro-precision/recall/F1-score, Matthews Correlation Coefficient (MCC), Cohen's kappa, en gedetailleerde foutanalyse.

Resultaten

De experimentele resultaten toonden een duidelijke prestatiehiërarchie tussen de modellen:

ViT-B/16 behaalde de hoogste algehele prestaties met een gemiddelde accuratesse van 99,05 ± 0,86% en een macro F1-score van 99,05 ± 0,86%. Het behaalde ook de hoogste MCC (0,9901) en Cohen's kappa (0,9900), met slechts 9 misclassificaties over de geaggregeerde out-of-fold voorspellingen.
DenseNet121 nam de tweede plaats in met 97,58 ± 1,69% accuratesse en een macro F1-score van 97,56 ± 1,68%, met 23 totale misclassificaties.
ResNet50 behaalde 94,21 ± 1,75% accuratesse en een macro F1-score van 94,19 ± 1,75%, met 55 misclassificaties.

Statistische Analyse:
Friedman-testen gaven significante verschillen aan tussen de modellen ( $p=0,016$ ). Paarsgewijze vergelijkingen toonden aan dat zowel ViT-B/16 als DenseNet121 ResNet50 significant overtroffen. Echter, het verschil tussen ViT-B/16 en DenseNet121 was niet statistisch significant ( $p=0,108$ ) gezien het beperkte aantal folds, hoewel ViT-B/16 een lagere variabiliteit vertoonde (SD 0,86% vs. 1,69%).

Foutanalyse:
Misclassificaties concentreerden zich in specifieke visueel uitdagende paren. Met name de verwarring tussen Acinetobacter baumannii en Serratia marcescens kwam bij alle modellen voor, wat wijst op overlappende visuele kenmerken. De verwarring tussen Staphylococcus epidermidis en Corynebacterium striatum was prominent aanwezig in CNN's, maar afwezig in de fouten van ViT-B/16, wat potentieel wijst op het vermogen van de transformer om globale plaat-niveau context te benutten.

Betekenis en Claims

De auteurs stellen dat deze studie een reproduceerbare vergelijkende baseline biedt voor bacteriële beeldclassificatie, waarbij wordt aangetoond dat deep learning modellen, in het bijzonder Vision Transformers, een zeer nauwkeurige soortidentificatie kunnen bereiken direct vanaf volledige plaatafbeeldingen zonder individuele kolieën te isoleren.

De studie benadrukt dat hoewel ViT-B/16 superieure accuratesse en stabiliteit behaalde, DenseNet121 een sterke, computationeel efficiënte alternatief blijft voor scenario's met beperkte middelen. Het artikel concludeert bescheiden dat hoewel de resultaten veelbelovend zijn, ze gebaseerd zijn op een enkele dataset onder gestandaardiseerde omstandigheden. De auteurs verklaren expliciet dat de bevindingen motiveren tot toekomstig onderzoek naar stam-onafhankelijke validatie (om generalisatie naar onbekende stammen te waarborgen) en multi-centre validatie over verschillende beeldvormingssystemen en laboratoriumomgevingen. De studie claimt niet alle biologische identificatieproblemen op te lossen, maar vestigt een robuust methodologisch kader voor toekomstige vergelijkende DL-studies in de microbiologie.