跳到主要内容

案例：Claude Code 批量分析免疫荧光图像

这个案例来自一次真实科研任务：文件夹中有 50 张 E. coli 免疫荧光染色 TIFF 图像，总数据量约 600 MB。目标是分析每张图绿色通道的荧光强度，输出 CSV，并画出柱状图进行比较。

它适合作为智能体科研入门案例，因为任务边界清楚、输入材料明确、输出结果容易检查，也能展示“中文描述需求 → 智能体探索文件 → 写脚本 → 运行 → 生成结果 → 根据反馈迭代”的完整过程。

任务概况​

项目内容
数据类型免疫荧光染色 TIFF 图像
图像数量50 张
数据大小约 600 MB
图像结构2048 x 2048 x 3 的 RGB 图像
分析目标提取绿色通道荧光强度
输出结果CSV 汇总表和柱状图
手动写代码0 行

原始数据长什么样​

下面是 50 张原图绿色通道排列成的缩略图矩阵。每张原图约为 2048 x 2048 像素，合计接近 2 亿像素。肉眼可以看出中间样本更亮、两端更暗，但要做定量比较，仍然需要批量脚本处理。

50 张 TIFF 绿色通道缩略图矩阵

代表样本​

这 4 张代表图来自不同强度阶段：起始低强度、峰值附近、下降阶段和末端低强度。

3dsacnz01 绿色通道代表图
#01 起始低强度
3dsacnz10 绿色通道代表图
#10 峰值附近
3dsacnz25 绿色通道代表图
#25 回落阶段
3dsacnz50 绿色通道代表图
#50 末端低强度

一句话需求​

用户给 Claude Code 的原始需求非常朴素：

这文件夹里面有若干 tif 免疫荧光染色，
我希望分析他们的绿色通道的荧光强度，
并作出比较，列出一个 csv 然后画出柱状图。

这句话没有指定 Python 库、文件命名规则、图像尺寸、通道索引、CSV 字段或作图参数。Claude Code 需要自己探索数据并决定实现方式。

Claude Code 自动完成了什么​

Claude Code 收到指令后，自动做了这些事：

  1. 使用目录查看命令列出文件，发现 50 个 TIFF 图像。
  2. 读取第一张图，确认数据结构为 2048 x 2048 x 3 的 uint8 RGB 图像。
  3. 判断绿色通道对应数组索引 1，也就是 R=0, G=1, B=2。
  4. 检测环境中缺少依赖后，安装 tifffile、matplotlib、pandas。
  5. 生成 Python 脚本，批量读取图像、提取绿色通道、计算统计量。
  6. 运行脚本，遍历 50 张图像。
  7. 输出 CSV 表格和绿色通道荧光强度柱状图。

生成的结果图如下：

绿色通道荧光强度柱状图

示意脚本逻辑如下：

for f in tif_files:
    img = tifffile.imread(f)
    green = img[:, :, 1]
    results.append({
        "mean": green.mean(),
        "std": green.std(),
        "sum": green.sum(),
    })

pd.DataFrame(results).to_csv(...)
plt.bar(labels, means, ...)

得到的结果如何解读​

结果显示绿色通道强度呈现明显变化趋势：前期较低，中间样本升高，之后逐渐回落。

案例页中记录的关键数据点包括：

样本均值中位数标准差解读
#012.931.06.69荧光较暗，接近基线水平
#067.802.014.18快速上升阶段
#1015.242.021.43峰值，荧光最强
#1413.202.019.97峰值后开始下降
#254.552.011.07回到较低水平
#501.481.02.61最低值，荧光微弱

其中一个重要观察是：中位数始终在 1 到 2 之间，说明大多数像素仍是暗背景；均值变化主要由少量亮像素驱动。这符合免疫荧光图像中稀疏亮信号的常见特点。

效率对比​

如果手工处理，常见流程是：

  1. 打开 ImageJ。
  2. 逐张导入图像。
  3. 分别圈选或测量绿色通道。
  4. 导出每张图的结果。
  5. 汇总到 Excel 或 GraphPad。
  6. 手动画图和排版。

这种流程很容易超过 2 小时，而且重复操作多、容易出错。

使用 Claude Code 时，用户只描述目标，智能体自动写脚本并运行。这个案例中，50 张图像的批量分析约 2 秒完成。

提示

这里的“2 秒”指脚本运行分析的时间，不包括人工检查、结果解释和必要的后续修正。科研任务中，人的判断仍然是最后一关。

迭代过程：不满意就继续说​

第一次结果出来后，用户觉得“不够精细”。Claude Code 随即提出更精细的方案：

  • 背景扣除。
  • 阈值分割。
  • 连通域标记。
  • 逐斑点强度测量。
  • 输出箱线图加散点图。

后来用户又说“回滚到最初的版本”，Claude Code 可以回到原来的简单方案。

这个过程体现了智能体协作的核心方式：

说需求 -> AI 干活 -> 看结果 -> 提意见 -> AI 修改或回滚

这个案例适合学什么​

这个案例不只是展示“AI 很快”，更重要的是展示科研数据分析的合理工作方式：

  • 先让智能体探索数据结构，而不是直接假设图像格式。
  • 先输出简单稳定的结果，再讨论是否需要精细化。
  • 保留脚本和 CSV，保证结果可复现。
  • 生成图以后仍要人工检查统计值、图像质量和实验含义。
  • 对图像定量结果要关注背景、阈值、异常图像和重复层级。

可以直接复用的提示词​

请分析当前文件夹中的 tif/tiff 免疫荧光图像。

目标：
1. 自动识别图像数量、尺寸、通道结构；
2. 提取绿色通道；
3. 对每张图计算 mean、median、std、sum、max；
4. 输出 green_channel_summary.csv；
5. 画出每张图绿色通道平均强度的柱状图；
6. 保存分析脚本，保证下次可以重新运行。

要求：
- 先检查图像格式，不要直接假设通道顺序；
- 不要覆盖原始图像；
- 如果发现异常图像，单独列出来；
- 最后说明输出文件和主要结果。

使用这个流程时要注意​

  • 图像是否经过相同曝光、增益和采集条件。
  • 是否需要扣除背景。
  • 是否应该分析整张图，还是只分析 ROI。
  • 技术重复和生物重复不能混在一起。
  • 荧光强度变化不等于生物学结论，仍需要结合实验设计解释。